本研究将通道和空间注意力机制集成到YOLOv8中，改进了水下目标检测。使用CARAFE进行特征重组，URPC2019和URPC2020数据集上的平均精度分别达到76.7%和79.0%，较原YOLOv8提高了2.3%和0.7%。

CaTDet是一种利用视频中的时间相关性加速物体检测的系统，具有与单模型Faster R-CNN检测器相同的平均精度，操作次数降低了5.1-8.7倍，额外延迟仅为0.3帧。在CityPersons数据集上，CaTDet减少了13.0倍的操作，损失0.8％的mAP。

本文提出了一种基于置信传播聚类的物体检测方法，通过信息传递机制去除冗余的检测框并增强真正的正类检测框。该方法能够提高各种主流检测器的平均精度，无需重新训练检测器。

本论文介绍了一种改进的DETR检测器，采用简洁设计，使用单尺度特征图和全局交叉注意力计算，没有特定的局部约束。通过添加盒子到像素相对位置偏差项和基于遮蔽图像模型的骨干预训练，改进的DETR检测器在原始DETR检测器的基础上取得了显著的改进。使用Object365数据集进行预训练，达到了63.9的平均精度（mAP），与最先进的检测器性能相媲美。