本文通过秘密嵌入和透明对抗性示例评估了Google Cloud Vision API和Microsoft Azure的Computer Vision API在实际部署中的恶意攻击成功率。结果显示该方法能够成功欺骗人眼并逃避现有的最先进API，为鲁棒性评估提供了一种补充方法。

本文提出了一种基于F-measure值的正反馈方法来改进现有方法的显著性预测准确性。该方法无需进行精细的解码器设计或模型训练，通过将现有模型的预测图输入到正反馈方法中，可获得高准确性的预测结果。实验结果表明，该方法在显著性地图预测的五个评估指标中超过了最新的12种方法。

我们提出了一种名为STAR-MT的无源域自适应方法，用于改进视频目标检测性能。该方法在恶劣图像条件下仍能提高检测性能，展示了在现实世界应用中的潜力。

本文介绍了一个使用YOLOv8和DeepSort的开源项目，提供了操作步骤和常见问题解决方法。

我们提出了一种名为对象变换攻击（SSL-OTA）的后门攻击方法，适用于自我监督学习场景下的对象检测任务。该方法包括数据毒化攻击（NA）和双源混合攻击（DSBA），并在基准数据集上进行了实验证明其有效性和实用性。这为基于自我监督学习的对象检测提供了新的视角。

通过采用图像去滤波器来纠正图像失真问题，本文的研究重点是改进目标检测的性能。实验证明，在非失真图像上训练目标检测模型显著提高了均值平均精度，从而为受图像失真困扰的真实应用程序提供相当大的好处。

这篇文章介绍了使用OpenCvSharp和YOLOv3进行目标检测的项目代码。代码加载模型和配置文件，将图像转换为blob，然后通过模型进行前向传播，得到检测结果。结果包括目标类别、置信度和边界框位置。代码还实现了非最大抑制算法，用于减少重叠的低置信度边界框。

该研究通过知识蒸馏将基于Transformer的教师检测器的知识转化到基于卷积的学生检测器上，提高了轻量级分类模型的性能。在MS COCO基准测试中，RetinaNet和Mask R-CNN的性能显著提升。

本研究提出了一种适应场景的稀疏Transformer模型，通过优化计算效率和性能表现，实现了对重要物体的集中关注和动态稀疏程度的优化，从而在性能和效率上超过密集网络和其他稀疏网络。

YOLOv8中OBB模型的引入提高了物体检测的准确性，减少了背景噪声。代码使用了Microsoft.ML.OnnxRuntime和OpenCvSharp库，实现了对图像的物体检测和绘制边界框的功能。