CVPR 2021 Object Detection

一. 关于3D有26篇：

3DIoUMatch: Leveraging IoU Prediction for Semi-Supervised 3D Object Detection
ST3D: Self-Training for Unsupervised Domain Adaptation on 3D Object Detection
SRDAN: Scale-Aware and Range-Aware Domain Adaptation Network for Cross-Dataset 3D Object Detection
Unsupervised Object Detection With LIDAR Clues：利用雷达点云做无监督目标检测

二. 关于2D有55篇：

有几篇没有review，例如音频等考虑在内的一些论文直接略过了。

Semi-Supervise（6篇）：

1. Instant-Teaching: An End-to-End Semi-Supervised Object Detection Framework：从数据增强与训练策略的角度出发，完善teacher-student模式；
2. Points As Queries: Weakly Semi-Supervised Object Detection by Points：数据标注采用了部分标bbox、部分在object上标点和类别的方式，模型采用了改进的DETR；
3. Humble Teachers Teach Better Students for Semi-Supervised Object Detection：EMA相关；
4. Data-Uncertainty Guided Multi-Phase Learning for Semi-Supervised Object Detection：数据分析相关；
5. Interactive Self-Training With Mean Teachers for Semi-Supervised Object Detection：对检测任务的训练过程中出现的，对同一张图片产生不同预测bbox之间存在的冲突进行处理（未完）；
6. Interpolation-Based_Semi-Supervised_Learning_for_Object_Detection：数据分析相关，bbox之间进行插值方式的融合；

positive unlabeled learning：
Positive-Unlabeled Data Purification in the Wild for Object Detection：从大量wild未标注数据中提纯数据，加入到训练中，提点（未完）

Cross Domain & Domain adaptive（4篇）

1. Unbiased Mean Teacher for Cross-domain Object Detection：teacher-student模式，关于EMA，PASCAL VOC作为source domain（自然数据集），target domain是卡通风格数据集；
2. Informative and Consistent Correspondence Mining for Cross-Domain Weakly Supervised Object Detection：PASCAL VOC作为source domain（自然数据集），target domain是卡通风格数据集，model沿用faster-RCNN；
3. MeGA-CDA: Memory Guided Attention for Category-Aware Unsupervised Domain Adaptive Object Detection：model沿用faster-RCNN,VGG16 backbone,SGD优化器，数据集都是真实场景下的，一个是无人驾驶场景，一个是城市景观数据集，互为S、D；
4. Domain-Specific Suppression for Adaptive Object Detection：从训练权重与梯度的角度出发讨论，网络为ResUnit相关，数据集中涉及域之间的天气差异（有没有雾）、相机设置差异、真实图像与合成图像间差异

关于Human Object Interaction（5篇）
有三篇都是基于transformer做的

1. Affordance Transfer Learning for Human-Object Interaction Detection：检测时采用faster-RCNN结构
2. Glance and Gaze: Inferring Action-aware Points for One-Stage Human-Object Interaction Detection：提出了一个 GGNet

显著性目标检测（3篇）

1. Group Collaborative Learning for Co-Salient Object Detection：联合显著性目标检测
2. Calibrated RGB-D Salient Object Detection：将图像RGB stream与深度stream分别编码
3. Weakly Supervised Video Salient Object Detection：双向的ConvLSTM，弱监督，图像标注两笔，一笔画在显著性目标上一笔在背景上
4. Uncertainty-aware Joint Salient Object and Camouflaged Object Detection

少样本学习（9篇）
例：Dense Relation Distillation With Context-Aware Aggregation for Few-Shot Object Detection：少样本目标检测，框架基于元学习，处理检测中物体间遮挡、外观变化等问题；
Hallucination Improves Few-Shot Object Detection：网络结构有基于Faster-RCNN

关于Transformer（7篇）

1. Adaptive Image Transformer for One-Shot Object Detection：使用patch作为query（未完）；
2. UP-DETR: Unsupervised Pre-Training for Object Detection With Transformers：使用patch作为query，从原始图像中查询这些random裁剪的patch（未完）；
3. HOTR: End-to-End Human-Object Interaction Detection With Transformers：从图像中直接推断三元组<human,object,interaction>，例如：<人，凳子，坐>；
4. End-to-End Human Object Interaction Detection With HOI Transformer：也是关于人物交互的
5. QPIC: Query-Based Pairwise Human-Object Interaction Detection With Image-Wide Contextual Information：也是关于人物交互的
6. Open-Vocabulary Object Detection Using Captions：建立一个图像和文字标签的空间，建立空间的时候使用了transformer，使用边界框注释对有限的对象类别集进行训练
7. Points As Queries: Weakly Semi-Supervised Object Detection by Points：改进的DETR

搜索（4篇）

1. GAIA: A Transfer Learning System of Object Detection That Fits Your Needs：自动搜索合适的目标检测网络结构；
2. Scale-Aware Automatic Augmentation for Object Detection：自动搜索合适的数据增强方式，关注scale的aug，从image-level与bbox-level去aug数据，例如image-level采用zoom-in zoom-out；
3. OPANAS: One-Shot Path Aggregation Network Architecture Search for Object Detection：自动搜索网络结构用于目标检测（NARS）
4. MobileDets: Searching for Object Detection Architectures for Mobile Accelerators：搜索移动端的目标检测网络结构

长尾问题（2篇）

1. Equalization Loss v2: A New Gradient Balance Approach for Long-Tailed Object Detection：提出长尾目标检测问题在于正负梯度不平衡，提出了EQL_v2 loss用以平衡每个类别训练过程，模型采用了maskrcnn与Cascade
2. Adaptive Class Suppression Loss for Long-Tail Object Detection：打破手工分组的局限性，设计了一种新的自适应类抑制损失(ACSL)算法，模型为Faster R-CNN with ResNet50-FPN backbone

关于生成对抗（2篇）

1. Class-Aware Robust Adversarial Training for Object Detection：加入noisy扰动干扰检测
2. Robust and Accurate Object Detection via Adversarial Learning：使用对抗方法robust检测器

另 一些各种各样角度的论文：

航空图像目标检测：
ReDet: A Rotation-equivariant Detector for Aerial Object Detection：关注旋转不变性特征

关于量化：
AQD: Towards Accurate Quantized Object Detection：保证精度的条件下在所有网络结构层使用纯整数进行推理，已应用于FCOS、RetinaNet

关于Attention
Dynamic Head: Unifying Object Detection Heads with Attentions：对目标检测任务检测头的注意力进行可视化（未完）

关于知识蒸馏：
General Instance Distillation for Object Detection

主动学习：
Multiple Instance Active Learning for Object Detection

Mutual Graph Learning for Camouflaged Object Detection：MGL将一幅图像解耦为两个特定于任务的特征映射——一个用于大致定位目标，另一个用于准确捕捉其边界细节——并通过图来反复推理它们的高阶关系，模型ResNet-FCN

Improved Handling of Motion Blur in Online Object Detection：关注运动模糊问题，模型结构沿用resnet50 FPN,faster-RCNN

Neural Auto-Exposure for High-Dynamic Range Object Detection：关于曝光图像等的目标检测（未完）

End-to-End Object Detection With Fully Convolutional Network：抛弃NMS，采用3D最大卷积，提出Prediction-aware One-To-One (POTO) label assignment（未完）

OTA: Optimal Transport Assignment for Object Detection（暂时没看懂）

Depth from Camera Motion and Object Detection：使用faster-RCNN为检测器，关于相机运动情况下的物体深度估计问题

Beyond Bounding-Box: Convex-hull Feature Adaptation for Oriented and Densely Packed Object Detection：可形变卷积，anchor free，利用点集形式而非bbox表示一个物体的轮廓（未完）

Towards Open World Object Detection：基于聚类和能量的模型

UniT: Unified Knowledge Transfer for Any-shot Object Detection and Segmentation：基于Faster-RCNN & Mask-RCNN，弱监督

Generalized Focal Loss V2: Learning Reliable Localization Quality Estimation for Dense Object Detection：focal loss的改进版，处理密集场景下的目标检测（未完）

Sparse R-CNN: End-to-End Object Detection with Learnable Proposals：提出了Sparse R-CNN（未完，这论文要细看）