深度学习目标检测论文-2014年至今论文

2014年深度学习目标检测至今论文清单 +数据集论文

2018/9/18 - 更新了所有最近的论文，并制作了一些关于使用深度学习进行目标检测的历史的图表。2018/9/26 - 更新论文代码。（官方和非官方）
2018 年/10 月 - 更新 5 篇论文和绩效表。
2018 年 11 月 - 更新 9 篇论文。
2018 年/12 月 - 更新 8 篇论文和性能表，并添加新图表（2019 版！
2019 年/1 月 - 更新 4 篇论文并添加常用数据集。
2019 年 2 月 - 更新 3 篇论文。
2019 年 3 月 - 更新图和代码链接。
2019年4月 - 删除作者姓名并更新ICLR 2019和CVPR 2019论文。
2019年5月 - 更新CVPR 2019论文。
2019年6月 - 更新CVPR 2019论文和数据集论文。
2019 年 7 月 - 更新 BMVC 2019 论文和一些 ICCV 2019 论文。
2019 年 9 月 - 更新 NeurIPS 2019 论文和 ICCV 2019 论文。
2019年11月 - 更新了AAAI 2020的一些论文和其他论文。
2020 年 1 月 - 更新 ICLR 2020 论文和其他论文。
2020年5月 - 更新CVPR 2020论文和其他论文。
2020年6月 - 更新arXiv论文。
2020 年 8 月 - 更新纸质链接。

2014年至今论文清单（2019）

用红色字符突出显示的部分表示我认为“必读”的论文。 但是，这是我个人的意见，其他论文也很重要，所以如果你有时间，我建议你阅读它们。

FPS(Speed) index is related to the hardware spec(e.g. CPU, GPU, RAM, etc), so it is hard to make an equal comparison. The solution is to measure the performance of all models on hardware with equivalent specifications, but it is very difficult and time consuming.

 

 

2014
[美国有线电视新闻网]丰富的特征层次结构，用于准确的对象检测和语义分割 |[CVPR' 14] |[PDF] [官方代码 - Caffe]

[超壮举]OverFeat：使用卷积网络进行集成识别、定位和检测 |[ICLR' 14] |[PDF] [官方代码 - 火炬]

[多盒]使用深度神经网络进行可扩展对象检测 |[CVPR' 14] |[PDF格式]

[SPP-网]用于视觉识别的深度卷积网络中的空间金字塔池化 |[ECCV' 14] （英语） |[PDF] [官方代码 - Caffe] [非官方代码 - Keras] [非官方代码 - TensorFlow]

2015
通过贝叶斯优化和结构化预测改进深度卷积网络的目标检测 |[CVPR' 15] （英语） |[PDF] [官方代码 - MATLAB]

[美国有线电视新闻网]通过多区域和语义分割感知CNN模型进行对象检测 |[ICCV' 15] |[PDF] [官方代码 - Caffe]

[深盒]DeepBox：使用卷积网络学习对象性 |[ICCV' 15] |[PDF] [官方代码 - Caffe]

[注意网]AttentionNet：聚合弱方向以实现准确的目标检测 |[ICCV' 15] |[PDF格式]

[快速R-CNN]快速 R-CNN |[ICCV' 15] |[PDF] [官方代码 - Caffe]

[深层提案]DeepProposal：通过级联深度卷积层来搜寻对象 |[ICCV' 15] |[PDF] [官方代码 - MatConVNET]

[更快的 R-CNN、RPN]更快的 R-CNN：使用区域提案网络实现实时目标检测 |[NIPS' 15] |[PDF] [官方代码 - Caffe] [非官方代码 - TensorFlow] [非官方代码 - PyTorch]

2016
[YOLO v1版]您只看一次：统一的实时物体检测 |[CVPR' 16] （英语） |[PDF] [官方代码 - C]

（美国有线电视新闻网）G-CNN：基于迭代网格的目标检测器 |[CVPR' 16] （英语） |[PDF格式]

[AZNet]使用邻接和缩放预测的自适应对象检测 |[CVPR' 16] （英语） |[PDF格式]

[离子]Inside-Outside Net：使用跳过池和递归神经网络检测上下文中的对象 |[CVPR' 16] （英语） |[PDF格式]

[超网]HyperNet：实现精确的区域建议生成和联合目标检测 |[CVPR' 16] （英语） |[PDF格式]

[哦]通过在线硬实例挖掘训练基于区域的目标检测器 |[CVPR' 16] （英语） |[PDF] [官方代码 - Caffe]

[克拉普夫]来自图像的 CRAFT 对象 |[CVPR' 16] （英语） |[PDF] [官方代码 - Caffe]

[MPN]用于目标检测的多路径网络 |[BMVC' 16] |[PDF] [官方代码 - 火炬]

[固态硬盘]SSD：单次 MultiBox 探测器 |[ECCV' 16] |[PDF] [官方代码 - Caffe] [非官方代码 - TensorFlow] [非官方代码 - PyTorch]

[GBDNet]制作用于目标检测的 GBD-Net |[ECCV' 16] |[PDF] [官方代码 - Caffe]

[公积金]用于更快 R-CNN 的上下文启动和反馈 |[ECCV' 16] |[PDF格式]

[MS-美国有线电视新闻网]用于快速目标检测的统一多尺度深度卷积神经网络 |[ECCV' 16] |[PDF] [官方代码 - Caffe]

[R-FCN]R-FCN：通过基于区域的全卷积网络进行目标检测 |[NIPS' 16] |[PDF] [官方代码 - Caffe] [非官方代码 - Caffe]

[PVANET]PVANET：用于实时目标检测的深度但轻量级的神经网络 |[NIPSW' 16] |[PDF] [官方代码 - Caffe]

[DeepID-网络]DeepID-Net：用于目标检测的可变形深度卷积神经网络 |[帕米' 16] |[PDF格式]

[诺克]卷积特征图上的目标检测网络 |[TPAMI' 16] |[PDF格式]

2017
[DSSD]DSSD ： 去卷积单次检测器 |[arXiv' 17] （英语：arXiv' 17） |[PDF] [官方代码 - Caffe]

[TDM]超越跳过连接：用于目标检测的自上而下的调制 |[CVPR' 17] （英语） |[PDF格式]

[FPN]用于目标检测的特征金字塔网络 |[CVPR' 17] （英语） |[PDF] [非官方代码 - Caffe]

[YOLO v2版]YOLO9000：更好、更快、更强 |[CVPR' 17] （英语） |[PDF] [官方代码 - C] [非官方代码 - Caffe] [非官方代码 - TensorFlow] [非官方代码 - TensorFlow] [非官方代码 - PyTorch]

[罗恩]RON：与用于目标检测的对象先验网络的反向连接 |[CVPR' 17] （英语） |[PDF] [官方代码 - Caffe] [非官方代码 - TensorFlow]

[RSA]CNN中目标检测的循环尺度近似 | |[ICCV' 17] |[PDF] [官方代码 - Caffe]

[DCN]可变形卷积网络 |[ICCV' 17] |[PDF] [官方代码 - MXNet] [非官方代码 - TensorFlow] [非官方代码 - PyTorch]

[脱网]DeNet：具有定向稀疏采样的可扩展实时目标检测 |[ICCV' 17] |[PDF] [官方代码 - Theano]

[情侣网]CoupleNet：将全局结构与局部零件耦合用于目标检测 |[ICCV' 17] |[PDF] [官方代码 - Caffe]

[视网膜]致密物体检测的焦距损失 |[ICCV' 17] |[PDF] [官方代码 - Keras] [非官方代码 - PyTorch] [非官方代码 - MXNet] [非官方代码 - TensorFlow]

[掩码 R-CNN]面具 R-CNN |[ICCV' 17] |[PDF] [官方代码 - caffe2] [非官方代码 - TensorFlow] [非官方代码 - TensorFlow] [非官方代码 - PyTorch]

[DSOD的]DSOD：从头开始学习深度监督目标检测器 |[ICCV' 17] |[PDF] [官方代码 - Caffe] [非官方代码 - PyTorch]

[短信]用于对象检测中上下文推理的空间记忆 |[ICCV' 17] |[PDF格式]

[光头 R-CNN]Light-Head R-CNN：为两级物体检测器辩护 |[arXiv' 17] （英语：arXiv' 17） |[PDF] [官方代码 - TensorFlow]

[软网管]用一行代码改进目标检测 |[ICCV' 17] |[PDF] [官方代码 - Caffe]

2018
[YOLO v3版]YOLOv3：渐进式改进 |[arXiv' 18] |[PDF] [官方代码 - C] [非官方代码 - PyTorch] [非官方代码 - PyTorch] [非官方代码 - Keras] [非官方代码 - TensorFlow]

[邮编]具有对象提案递归训练的 Zoom Out-and-In 网络 |[IJCV' 18] |[PDF] [官方代码 - Caffe]

[罪]结构推理网络：使用场景级上下文和实例级关系进行对象检测 |[CVPR' 18] |[PDF] [官方代码 - TensorFlow]

[标准传播网]刻度可转移目标检测 |[CVPR' 18] |[PDF格式]

[精炼Det]用于目标检测的单次细化神经网络 |[CVPR' 18] |[PDF] [官方代码 - Caffe] [非官方代码 - Chainer] [非官方代码 - PyTorch]

[梅格德特]MegDet：大型小批量目标检测器 |[CVPR' 18] |[PDF格式]

[DA 更快的 R-CNN]域自适应更快的 R-CNN 用于野外目标检测 |[CVPR' 18] |[PDF] [官方代码 - Caffe]

[剪裁]目标检测中的尺度不变性分析 – SNIP |[CVPR' 18] |[PDF格式]

[关系网络]用于目标检测的关系网络 |[CVPR' 18] |[PDF] [官方代码 - MXNet]

[级联 R-CNN]Cascade R-CNN：深入研究高质量目标检测 |[CVPR' 18] |[PDF] [官方代码 - Caffe]

使用生成对抗网络在野外寻找微小的面孔 |[CVPR' 18] |[PDF格式]

[MLKP]用于目标检测的多尺度位置感知内核表示 |[CVPR' 18] |[PDF] [官方代码 - Caffe]

通过渐进域自适应实现跨域弱监督目标检测 |[CVPR' 18] |[PDF] [官方代码 - chainer]

[健身NMS]使用适应度 NMS 和有限 IoU 损失改进对象定位 |[CVPR' 18] |[PDF格式]

[标准网]STDnet：用于小目标检测的 ConvNet |[BMVC' 18] |[PDF格式]

[RFBNet]感受野块网，用于准确、快速的物体检测 |[ECCV' 18] |[PDF] [官方代码 - PyTorch]

使用 Web 知识转移的零注释对象检测 |[ECCV' 18] |[PDF格式]

[角网]CornerNet：将对象检测为成对关键点 |[ECCV' 18] |[PDF] [官方代码 - PyTorch]

[PFPNet]用于目标检测的并行特征金字塔网络 |[ECCV' 18] |[PDF格式]

[软网管]Softer-NMS：重新思考边界框回归以实现准确的目标检测 |[arXiv' 18] |[PDF格式]

[变形者]ShapeShifter：对更快的 R-CNN 目标检测器进行强大的物理对抗攻击 |[ECML-PKDD' 18] （英语） |[PDF] [官方代码 - TensorFlow]

[贝利]Pelee：移动设备上的实时物体检测系统 |[NIPS' 18] |[PDF] [官方代码 - Caffe]

[香港RM]用于大规模目标检测的混合知识路由模块 |[NIPS' 18] |[PDF格式]

[元锚]MetaAnchor：学习使用自定义锚点检测对象 |[NIPS' 18] |[PDF格式]

[狙击手]狙击手：高效的多尺度训练 |[NIPS' 18] |[PDF格式]

2019
[M2Det系列]M2Det：基于多级特征金字塔网络的单次目标检测器 |[AAAI' 19] |[PDF] [官方代码 - PyTorch]

[R-爸爸]基于区域分解和组装的目标检测 |[AAAI' 19] |[PDF格式]

[迷彩]CAMOU：学习物理车辆伪装以对抗性攻击野外探测器 |[ICLR' 19] |[PDF格式]

用于目标检测的功能交织器 |[ICLR' 19] |[PDF格式]

[地理]并集上的广义交集：边界框回归的度量和损失 |[CVPR' 19] （英语） |[PDF格式]

使用自训练自动使目标检测器适应新领域 |[CVPR' 19] （英语） |[PDF格式]

[天秤座 R-CNN]Libra R-CNN：用于目标检测的平衡学习 |[CVPR' 19] （英语） |[PDF格式]

[FSAF]用于单次目标检测的功能选择性无锚模块 |[CVPR' 19] （英语） |[PDF格式]

[极限网络]通过对极端点和中心点进行分组的自下而上目标检测 |[CVPR' 19] （英语） |[PDF格式] |[官方代码 - PyTorch]

[C-密耳]C-MIL：弱监督目标检测的继续多实例学习 |[CVPR' 19] （英语） |[PDF格式] |[官方代码 - 火炬]

[刮擦]ScratchDet：从头开始训练单次目标检测器 |[CVPR' 19] （英语） |[PDF格式]

具有不确定性的边界框回归，用于精确目标检测 |[CVPR' 19] （英语） |[PDF格式] |[官方代码 - caffe2]

活动驱动的弱监督对象检测 |[CVPR' 19] （英语） |[PDF格式]

实现具有 AP 丢失的精确单级目标检测 |[CVPR' 19] （英语） |[PDF格式]

用于自适应目标检测的强-弱分布对齐 |[CVPR' 19] （英语） |[PDF格式] |[官方代码 - PyTorch]

[网络存储-FPN]NAS-FPN：学习用于对象检测的可扩展功能金字塔架构 |[CVPR' 19] （英语） |[PDF格式]

[自适应网管]自适应 NMS：改进人群中的行人检测 |[CVPR' 19] （英语） |[PDF格式]

指向内，框出：超越在人群中计数人数 |[CVPR' 19] （英语） |[PDF格式]

在不带边界框的情况下查找对象 |[CVPR' 19] |[PDF格式]

从稀疏注释对象中进行大规模目标检测的采样技术 |[CVPR' 19] |[PDF格式]

通过域注意力实现通用目标检测 |[CVPR' 19] |[PDF格式]

探索上下文在对象检测中的效用范围 |[CVPR' 19] |[PDF格式]

我应该使用什么对象？- 任务驱动对象检测 |[CVPR' 19] |[PDF格式]

基于差异系数的弱监督目标检测 |[CVPR' 19] |[PDF格式]

通过选择性跨域对齐调整目标检测器 |[CVPR' 19] |[PDF格式]

用于目标检测的全量化网络 |[CVPR' 19] |[PDF格式]

使用细粒度特征仿制蒸馏目标检测器 |[CVPR' 19] |[PDF格式]

通过回收边界框注释进行多任务自监督对象检测 |[CVPR' 19] |[PDF格式]

[推理-RCNN]Reasoning-RCNN：将自适应全局推理统一到大规模目标检测中 |[CVPR' 19] （英语） |[PDF格式]

使用自适应文本区域表示的任意形状场景文本检测 |[CVPR' 19] |[PDF格式]

激活的辅助激发：改进目标检测器的学习技术 |[CVPR' 19] |[PDF格式]

用于大规模目标检测的空间感知图关系网络 |[CVPR' 19] |[PDF格式]

[最大池NMS]MaxpoolNMS：消除两级目标检测器中的NMS瓶颈 |[CVPR' 19] （英语） |[PDF格式]

一分耕耘一分收获：为弱监督目标检测生成高精度目标建议 |[CVPR' 19] |[PDF格式]

使用位置感知变形卷积和反向注意力滤波进行对象检测 |[CVPR' 19] |[PDF格式]

多样化和匹配：用于对象检测的领域自适应表示学习范式 |[CVPR' 19] |[PDF格式]

用于实例分段的混合任务级联 |[CVPR' 19] |[PDF格式]

[肾小球滤过率]通过门控特征重用从头开始改进目标检测 |[BMVC' 19] |[PDF格式] |[官方代码 - PyTorch]

[级联视网网]Cascade RetinaNet：保持单级目标检测的一致性 |[BMVC' 19] |[PDF格式]

软采样，实现稳健的目标检测 |[BMVC' 19] |[PDF格式]

用于不受限制目标检测的多对抗性 Faster-RCNN |[ICCV' 19] |[PDF格式]

迈向对抗鲁棒目标检测 |[ICCV' 19] |[PDF格式]

面向域自适应对象检测的稳健学习方法 |[ICCV' 19] |[PDF格式]

视频对象检测的延迟指标：平均精度无法说明什么 |[ICCV' 19] |[PDF格式]

深入研究无人机的鲁棒目标检测：一种深度干扰解开方法 |[ICCV' 19] |[PDF格式]

利用深度零件-物体关系进行显著目标检测 |[ICCV' 19] |[PDF格式]

高速学习单次目标检测的丰富功能 |[ICCV' 19] |[PDF格式]

联合深度特征的结构化建模和显著目标检测的预测细化 |[ICCV' 19] |[PDF格式]

选择性或不变性：边界感知显著目标检测 |[ICCV' 19] |[PDF格式]

用于视频目标检测的渐进稀疏局部注意力 |[ICCV' 19] |[PDF格式]

从视频中检测到最小延迟对象 |[ICCV' 19] |[PDF格式]

通过展开潜在结构实现可解释目标检测 |[ICCV' 19] |[PDF格式]

通过传递分类权重来缩放目标检测 |[ICCV' 19] |[PDF格式]

[三叉戟网]用于目标检测的尺度感知三叉戟网络 |[ICCV' 19] |[PDF格式]

用于小数据对象检测的生成式建模 |[ICCV' 19] |[PDF格式]

用于零样本目标检测的转导学习 |[ICCV' 19] |[PDF格式]

用于无监督域自适应单阶段目标检测的自训练和对抗背景正则化 |[ICCV' 19] |[PDF格式]

[中心网]CenterNet：用于目标检测的关键点三元组 |[ICCV' 19] |[PDF格式]

[达夫斯]用于单次目标检测的动态锚点特征选择 |[ICCV' 19] |[PDF格式]

[自动FPN]Auto-FPN：自动网络架构适配，实现超越分类的目标检测 |[ICCV' 19] |[PDF格式]

用于不受限制对象检测的多对抗性 Faster-RCNN |[ICCV' 19] |[PDF格式]

用于视频目标检测的目标引导外部存储器网络 |[ICCV' 19] |[PDF格式]

[雷霆网]ThunderNet：在移动设备上实现实时通用目标检测 |[ICCV' 19] |[PDF格式]

[RDN]用于视频目标检测的关系蒸馏网络 |[ICCV' 19] |[PDF格式]

[MMNet]压缩视频中的快速目标检测 |[ICCV' 19] |[PDF格式]

迈向高分辨率显著目标检测 |[ICCV' 19] |[PDF格式]

[扫描]用于边缘感知显著目标检测的堆叠交叉细化网络 |[ICCV' 19] |[官方代码] |[PDF格式]

用于视频显著目标检测的运动引导注意力 |[ICCV' 19] |[PDF格式]

使用伪标签的半监督视频显著对象检测 |[ICCV' 19] |[PDF格式]

学习对目标检测提案进行排名 |[ICCV' 19] |[PDF格式]

[WSOD2]WSOD2：学习自下而上和自上而下的物体性蒸馏，用于弱监督物体检测 |[ICCV' 19] |[PDF格式]

[克鲁斯德特]航拍影像中的聚类目标检测 |[ICCV' 19] |[PDF格式]

迈向精确的端到端弱监督目标检测网络 |[ICCV' 19] |[PDF格式]

通过特征重权进行少镜头目标检测 |[ICCV' 19] |[PDF格式]

[对象365]Objects365：用于对象检测的大规模、高质量数据集 |[ICCV' 19] |[PDF格式]

[EGNet]EGNet：用于突出目标检测的边缘引导网络 |[ICCV' 19] |[PDF格式]

优化 F-Measure 以实现无阈值显著目标检测 |[ICCV' 19] |[PDF格式]

用于视频对象检测的序列级语义聚合 |[ICCV' 19] |[PDF格式]

[注-RCNN]NOTE-RCNN：用于半监督目标检测的 NOise 容错集成 RCNN |[ICCV' 19] |[PDF格式]

用于目标检测的丰富功能引导细化网络 |[ICCV' 19] |[PDF格式]

[豆荚]POD：使用尺度敏感网络进行实用目标检测 |[ICCV' 19] |[PDF格式]

[FCOS公司]FCOS：全卷积单级目标检测 |[ICCV' 19] |[PDF格式]

[回复点]RepPoints：用于对象检测的点集表示 |[ICCV' 19] |[PDF格式]

循之以待，循之以求更好：迈向小目标检测特征超分辨率的精确监控 |[ICCV' 19] |[PDF格式]

通过分割协作进行弱监督对象检测 |[ICCV' 19] |[PDF格式]

利用视频对象检测建议之间的长程时间关系 |[ICCV' 19] |[PDF格式]

检测 11K 类：无需细粒度边界框的大规模对象检测 |[ICCV' 19] |[PDF格式]

[C-MIDN]C-MIDN：具有分段指导的耦合多实例检测网络，用于弱监督目标检测 |[ICCV' 19] |[PDF格式]

检测稀有物体的元学习 |[ICCV' 19] |[PDF格式]

[Cap2Det的]Cap2Det：学习放大用于目标检测的弱字幕监督 |[ICCV' 19] |[PDF格式]

[高斯YOLOv3]Gaussian YOLOv3：基于定位不确定性的精确快速目标检测器用于自动驾驶 |[ICCV' 19] |[PDF] [官方代码 - C]

[自由锚]FreeAnchor：学习匹配用于视觉对象检测的锚点 |[NeurIPS 19] |[PDF格式]

面向内存的光场显著性物体检测解码器 |[NeurIPS 19] |[PDF格式]

具有共同注意力和共同激励功能的单次目标检测 |[NeurIPS 19] |[PDF格式]

[DetNAS]DetNAS：用于目标检测的骨干搜索 |[NeurIPS 19] |[PDF格式]

用于对象检测的基于一致性的半监督学习 |[NeurIPS 19] |[PDF格式]

[纳茨]用于目标检测的高效神经架构转换搜索通道级 |[NeurIPS 19] |[PDF格式]

[AA级]目标检测的学习数据增强策略 |[arXiv' 19] |[PDF格式]

[脊柱网]Spinenet：用于识别和本地化的学习规模排列骨干 |[arXiv' 19] |[PDF格式]

20 年的目标检测：一项调查 |[arXiv' 19] |[PDF格式]

2020
[尖峰-YOLO]Spiking-YOLO：用于实时目标检测的脉冲神经网络 |[AAAI' 20] |[PDF格式]

告诉我他们持有什么：弱监督对象检测与人与物体交互的可转移知识 |[AAAI' 20] |[PDF格式]

[CBnet]Cbnet：一种用于目标检测的新型复合骨干网络架构 |[AAAI' 20] |[PDF格式]

[距离-IoU损失]距离 IoU 损失：更快、更好的边界盒回归学习 |[AAAI' 20] |[PDF格式]

目标检测的计算重新分配 |[ICLR' 20] |[PDF格式]

[YOLOv4版]YOLOv4：目标检测的最佳速度和精度 |[arXiv' 20] |[PDF格式]

使用注意力-RPN 和多关系检测器进行小样本目标检测 |[CVPR' 20] （英语） |[PDF格式]

不平衡多标签在野外进行大规模目标检测 |[CVPR' 20] （英语） |[PDF格式]

通过自适应训练样本选择弥合基于锚点和无锚点检测之间的差距 |[CVPR' 20] （英语） |[PDF格式]

重新思考目标检测的分类和定位 |[CVPR' 20] （英语） |[PDF格式]

用于视觉对象检测的多锚点学习 |[CVPR' 20] （英语） |[PDF格式]

[向心网]CentripetalNet：追求用于目标检测的高质量关键点对 |[CVPR' 20] （英语） |[PDF格式]

从嘈杂锚点中学习，实现单阶段目标检测 |[CVPR' 20] （英语） |[PDF格式]

[高效Det]EfficientDet：可扩展且高效的目标检测 |[CVPR' 20] （英语） |[PDF格式]

使用平衡组 Softmax 克服长尾目标检测的分类器不平衡 |[CVPR' 20] （英语） |[PDF格式]

用于定向和密集堆积物体检测的动态细化网络 |[CVPR' 20] （英语） |[PDF格式]

噪声感知全卷筒纸监督物体检测 |[CVPR' 20] （英语） |[PDF格式]

[命中检测器]命中检测器：用于目标检测的分层三位一体架构搜索 |[CVPR' 20] （英语） |[PDF格式]

[D2Det]D2Det：迈向高质量对象检测和实例分割 |[CVPR' 20] （英语） |[PDF格式]

目标检测中的主要样品注意力 |[CVPR' 20] （英语） |[PDF格式]

甚至不要看一次：用于零样本检测的综合特征 |[CVPR' 20] （英语） |[PDF格式]

探索域自适应对象检测的分类正则化 |[CVPR' 20] （英语） |[PDF格式]

[SP-NAS]SP-NAS：用于对象检测的串行到并行骨干网搜索 |[CVPR' 20] （英语） |[PDF格式]

[网络存储-FCOS]NAS-FCOS：用于对象检测的快速神经架构搜索 |[CVPR' 20] （英语） |[PDF格式]

[DR损失]DR 损失：通过分布排名改进目标检测 |[CVPR' 20] （英语） |[PDF格式]

拥挤场景中的检测：一个提案，多个预测 |[CVPR' 20] （英语） |[PDF格式]

[八月FPN]AugFPN：改进目标检测的多尺度特征学习 |[CVPR' 20] （英语） |[PDF格式]

使用上下文感知 CompositionalNets 在遮挡下进行稳健的目标检测 |[CVPR' 20] （英语） |[PDF格式]

跨域文档对象检测：基准测试套件和方法 |[CVPR' 20] （英语） |[PDF格式]

通过专注学习探索自下而上和自上而下的线索，以实现网络监督对象检测 |[CVPR' 20] （英语） |[PDF格式]

[SLV]SLV：弱监督目标检测的空间似然投票 |[CVPR' 20] （英语） |[PDF格式]

[哈姆博克斯]HAMBox：深入研究在人脸检测中挖掘高质量锚点 |[CVPR' 20] （英语） |[PDF格式]

[上下文：R-CNN]Context R-CNN：用于每摄像机对象检测的长期时间上下文 |[CVPR' 20] （英语） |[PDF格式]

用于目标检测和人体姿态估计的混合密集回归 |[CVPR' 20] （英语） |[PDF格式]

用于精确物体检测的偏移箱分类网络 |[CVPR' 20] （英语） |[PDF格式]

[网络网]NETNet：邻居擦除和传输网络，实现更好的单次目标检测 |[CVPR' 20] （英语） |[PDF格式]

用于目标检测的尺度均衡金字塔卷积 |[CVPR' 20] （英语） |[PDF格式]

时间上下文增强对严重遮挡行人的检测 |[CVPR' 20] （英语） |[PDF格式]

[MnasFPN]MnasFPN：用于移动设备对象检测的学习延迟感知金字塔架构 |[CVPR' 20] （英语） |[PDF格式]

用于 LiDAR 目标检测的物理可实现对抗示例 |[CVPR' 20] （英语） |[PDF格式]

通过从粗到细的特征自适应实现跨域目标检测 |[CVPR' 20] （英语） |[PDF格式]

增量式少样本目标检测 |[CVPR' 20] （英语） |[PDF格式]

在哪里、什么、是否：多模态学习与行人检测的结合 |[CVPR' 20] （英语） |[PDF格式]

用于联合目标检测和视点估计的圆柱卷积网络 |[CVPR' 20] （英语） |[PDF格式]

学习用于目标检测的统一样本加权网络 |[CVPR' 20] （英语） |[PDF格式]

不看而见：针对 AP 最大化的目标检测进行上下文重新评分 |[CVPR' 20] （英语） |[PDF格式]

DetectoRS：使用递归特征金字塔和可切换的 Atrous 卷积检测对象 |[arXiv' 20] |[PDF格式]

[德特]使用变压器进行端到端目标检测 |[ECCV' 20] |[PDF格式]

抑制与平衡：用于显著目标检测的简单门控网络 |[ECCV' 20] |[代码]

[边界Det]BorderDet：用于密集物体检测的边界特征 |[ECCV' 20] |[PDF格式]

用于无锚点、两级目标检测的转角方案网络 |[ECCV' 20] |[PDF格式]

用于了解目标检测错误的通用工具箱 |[ECCV' 20] |[PDF格式]

[链式跟踪器]Chained-Tracker：用于端到端联合多对象检测和跟踪的链接配对注意力回归结果 |[ECCV' 20] |[PDF格式]

侧面感知边界定位，实现更精确的目标检测 |[ECCV' 20] |[PDF格式]

[图片]PIoU 损失：在复杂环境中实现精确定向目标检测 |[ECCV' 20] |[PDF格式]

[亚博]AABO：通过贝叶斯子采样进行目标检测的自适应锚箱优化 |[ECCV' 20] |[PDF格式]

具有 100K 参数的高效突出目标检测 |[ECCV' 20] |[PDF格式]

[地理图]GeoGraph：使用端到端几何线索学习基于图形的多视图对象检测 |[ECCV' 20] |[PDF格式]

Many-shot from Low-shot：学习使用混合监督进行对象检测的注释|[ECCV' 20] |[PDF格式]

更便宜的训练前午餐：目标检测的有效范式 |[ECCV' 20] |[PDF格式]

使用圆形光滑标签进行任意定向目标检测 |[ECCV' 20] |[PDF格式]

软锚点物体检测 |[ECCV' 20] |[PDF格式]

使用来自多个数据集的统一标签空间进行对象检测 |[ECCV' 20] |[PDF格式]

[拟态Det]MimicDet：弥合单级和两级目标检测之间的差距 |[ECCV' 20] |[PDF格式]

基于先验的域自适应目标检测，适用于雾霾和雨天条件 |[ECCV' 20] |[PDF格式]

[动态R-CNN]动态 R-CNN：通过动态训练实现高质量目标检测 |[ECCV' 20] |[PDF格式]

[操作系统2D]OS2D：通过匹配锚点功能进行单级单次目标检测 |[ECCV' 20] |[PDF格式]

用于少样本目标检测的多尺度正样品细化 |[ECCV' 20] |[PDF格式]

野外物体的少镜头物体检测和视点估计 |[ECCV' 20] |[PDF格式]

域自适应目标检测区域提案定位与分类协同训练 |[ECCV' 20] |[PDF格式]

连接组学中大规模目标检测的双流主动查询建议 |[ECCV' 20] |[PDF格式]

[FDTS]FDTS：用于目标检测及其他领域的快速多元变换搜索 |[ECCV' 20]

双精细水下物体检测网络 |[ECCV' 20] |[PDF格式]

[杏子]APRICOT：针对目标检测的物理对抗性攻击数据集 |[ECCV' 20] |[PDF格式]

目标检测的大批量优化：在 12 分钟内训练 COCO |[ECCV' 20] |[PDF格式]

用于基于区域的目标检测的分层上下文嵌入 |[ECCV' 20] |[PDF格式]

面向自动驾驶的基于支柱的目标检测 |[ECCV' 20] |[PDF格式]

深入了解物体检测盒 |[ECCV' 20] |[PDF格式]

通过非对称三路 Faster-RCNN 进行域自适应目标检测 |[ECCV' 20] |[PDF格式]

使用用于目标检测的 IoU 预测的概率锚点分配 |[ECCV' 20] |[PDF格式]

[霍内特]HoughNet：整合近距离和远距离证据，实现自下而上的目标检测 |[ECCV' 20] |[PDF格式]

[标签]LabelEnc：一种新的目标检测中间监督方法 |[ECCV' 20] |[PDF格式]

通过渐进式知识转移促进弱监督目标检测 |[ECCV' 20] |[PDF格式]

关于数据增强对目标检测的重要性 |[ECCV' 20] |[PDF格式]

具有双多标签预测的自适应目标检测 |[ECCV' 20] |[PDF格式]

用于精确目标检测的量子软 QUBO 抑制 |[ECCV' 20] |[PDF格式]

通过选择性自监督自训练改进目标检测 |[ECCV' 20] |[PDF格式]