目录
【1】多方向目标检测：水平边界框上的滑动顶点
【2】SM-NAS：结构到模块的神经体系结构搜索以进行目标检测
【3】基于PSNet和边框回归的弱监督目标检测(WSOD)
【4】带有可见IoU和Box Sign预测器的遮挡性行人检测
【5】CSPNet：可以增强CNN学习能力的新型Backbone
【6】ReBiF：残差双融合特征金字塔网络，用于精确的Single-shot目标检测
【7】目标检测的性能上界讨论
【8】DIoU Loss：更快更好地学习边界框回归
【9】CoAE：用于One-Shot目标检测的共同注意和共同激励
【10】SAPD：Soft Anchor-Point目标检测
【11】MMOD：基于混合模型的目标检测边界框密度估计
【12】IENet：方向性航空目标检测的One Stage Anchor Free检测器
【13】MnasFPN：用于移动设备上目标检测的延迟感知的金字塔体系结构
【14】IPG-Net：用于目标检测的图像金字塔引导网络
【15】MAL：用于目标检测的多Anchor学习
【16】ATSS：缩小Anchor-free和Anchor-based的性能差距：通过自适应训练样本选择
【1】多方向目标检测：水平边界框上的滑动顶点
《Gliding vertex on the horizontal bounding box for multi-oriented object detection》
时间：20191123
作者团队：华科(白翔组)&武大&上交
链接：https://arxiv.org/abs/1911.09358
注：本论文性能优于CAD-Net、R2CNN ，在DOAT上53.49mAP/10.0FPS！表现SOTA！
网络结构
【2】SM-NAS：结构到模块的神经体系结构搜索以进行目标检测
《SM-NAS: Structural-to-Modular Neural Architecture Search for Object Detection》
时间：20191125（AAAI 2020）
作者团队：华为诺亚&中山大学
链接：https://arxiv.org/abs/1911.09929
注：又一篇用NAS做目标检测的论文，在COCO上可达42.8mAP/20FPS！最高可达45.9mAP，优于同类的NAS-FPN和DetNAS
SM-NAS Pipeline
【3】基于PSNet和边框回归的弱监督目标检测(WSOD)
《WSOD with PSNet and Box Regression》
时间：20191127
作者团队：清华大学
链接：https://arxiv.org/abs/1911.11512
注：性能优于WSRPN、PCL等弱监督目标检测方法，表现SOTA！
WSOD 网络结构
【4】带有可见IoU和Box Sign预测器的遮挡性行人检测
《Occluded Pedestrian Detection with Visible IoU and Box Sign Predictor》
时间：20191127
作者团队：清华大学
链接：https://arxiv.org/abs/1911.11449
注：性能优于OR-CNN等网络
网络结构
【5】CSPNet：可以增强CNN学习能力的新型Backbone
《CSPNet: A New Backbone that can Enhance Learning Capability of CNN》
时间：20191128
作者团队：中央研究院資訊科學研究所&中国台湾交通大学
链接：https://arxiv.org/abs/1911.11929
https://github.com/WongKinYiu/CrossStagePartialNetworks
注：很棒的backbone，在检测任务上性能优于YOLOv3-tiny，CSPPeleeNet在Jetson TX2速度高达41FPS！现已开源
【6】ReBiF：残差双融合特征金字塔网络，用于精确的Single-shot目标检测
《Residual Bi-Fusion Feature Pyramid Network for Accurate Single-shot Object Detection》
时间：20191128
作者团队：中国台湾交通大学&阿联酋大学
链接：https://arxiv.org/abs/1911.12051
注：ReBiF在mAP和FPS上都优于YOLOv3和RFBNet等网络
Residual bi-fusion feature pyramid network
【7】目标检测的性能上界讨论
《Empirical Upper-bound in Object Detection and More》
时间：20191128
作者团队：西弗吉尼亚大学&MarkableAI
链接：https://arxiv.org/abs/1911.12451
注：在作者的计算方式下，PASCAL VOC (test2007) 的上界可以达到 91.6%，COCO (val2017) 可以达到 78.2%， OpenImages V4 (val) 可以达到 58.9%，它们的上界离现在所能达到的最佳的性能仍有很大的差距
解读：目标检测的性能上界讨论
【8】DIoU Loss：更快更好地学习边界框回归
《Distance-IoU Loss: Faster and Better Learning for Bounding Box Regression》
时间：20191129（AAAI 2020）
作者团队：天津大学&中国人民公安大学
链接：https://arxiv.org/abs/1911.08287
注：DIoU Loss对YOLOv3、SSD、Faster R-CNN都有明显涨点，现已开源！
解读：DIoU YOLOv3：更加稳定有效的目标框回归损失
【9】CoAE：用于One-Shot目标检测的共同注意和共同激励
《One-Shot Object Detection with Co-Attention and Co-Excitation》
时间：20191202（NeurIPS 2019）
作者团队：国立清华大学&中央研究院等
链接：https://arxiv.org/abs/1911.12529
代码：https://github.com/timy90022/One-Shot-Object-Detection
网络结构
【10】SAPD：Soft Anchor-Point目标检测
《Soft Anchor-Point Object Detection》
时间：20191202
作者团队：卡耐基梅隆大学(CMU)
链接：https://arxiv.org/abs/1911.12448
注：SAPD：目前最强Anchor-free目标检测网络，性能高达47.4mAP/4.5FPS！性能秒杀FreeAnchor、CenterNet、FSAF、FCOS和FoveaBox等
COCO test-dev Speed vs mAP
Training strategy
【11】MMOD：基于混合模型的目标检测边界框密度估计
《Mixture-Model-based Bounding Box Density Estimation for Object Detection》
时间：20191202
作者团队：首尔大学
链接：https://arxiv.org/abs/1911.12721
注：MMOD性能可达38.7 mAP/26FPS！但还是不如ASFF，代码即将开源
MMOD 网络结构
【12】IENet：方向性航空目标检测的One Stage Anchor Free检测器
《IENet: Interacting Embranchment One Stage Anchor Free Detector for Orientation Aerial Object Detection》
时间：20191203
作者团队：哈尔滨工程大学
链接：https://arxiv.org/abs/1912.00969
注：IENet用于旋转性边界框(OBB)的One Stage Anchor Free目标检测新网络
IENet Head
【13】MnasFPN：用于移动设备上目标检测的延迟感知的金字塔体系结构
《MnasFPN: Learning Latency-aware Pyramid Architecture for Object Detection on Mobile Devices》
时间：20191204
作者团队：谷歌AI&谷歌大脑(Quoc V. Le大佬)
链接：https://arxiv.org/abs/1912.01106
注：MnasFPN无论mAP还是FPS均优于MobileNetV3 SSDLite和NAS-FPNLite
IMnasFPN 网络结构
【14】IPG-Net：用于目标检测的图像金字塔引导网络
《IPG-Net: Image Pyramid Guidance Network for Object Detection》
时间：20191205
作者团队：北京理工大学&三星
链接：https://arxiv.org/abs/1912.00632
注：在COCO上可达45.7mAP，在VOC上可达85.9，性能优于CenterNet、FSAF和SNIPER等网络
Model Backbone
【15】MAL：用于目标检测的多Anchor学习
《Multiple Anchor Learning for Visual Object Detection》
时间：20191206
作者团队：CMU&中科院等
链接：https://arxiv.org/abs/1912.02252
注：在single/multi-scale下，one-stage系列的MAL性能分别可达45.9/47.0 mAP！优于FreeAnchor、CenterNet等网络
MAL 思想
MAL 网络结构
【16】ATSS：缩小Anchor-free和Anchor-based的性能差距：通过自适应训练样本选择
《Bridging the Gap Between Anchor-based and Anchor-free Detection via Adaptive Training Sample Selection》
时间：20191206
作者团队：中科院&国科大&北邮等
链接：https://arxiv.org/abs/1912.02424
代码：https://github.com/sfzhang15/ATSS
注：ATSS在COCO上，single/multi scale分别可达47.7和50.7mAP！很强势，现已开源！
