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%。

该研究提出了一种基于YOLOv5的自定义目标检测模型，用于户外环境中的草莓检测。通过改进YOLOv5s的架构，提高了特征梯度流，并与其他竞争模型进行了比较。结果显示，该模型在草莓数据集上实现了80.3%的平均精度，具有快速的推理速度和适用于实时草莓检测的网络参数。

本文介绍了一个用于孟加拉国常见车辆类别的本土车辆检测数据集，包括17个类别、81542个实例，考虑了地理、光照、尺寸和朝向等因素。通过四种YOLO模型评估，结果显示该数据集在意外场景上更稳健，50%交并比下的平均精度为0.848，mAP为0.643。研究发现表明BNVD数据集可靠地代表了车辆分布，并呈现出相当复杂性。

该研究提出了一种基于YOLOv5的自定义目标检测模型，用于户外环境中的草莓检测。通过改进YOLOv5s的架构，提高了特征梯度流，并与其他竞争模型进行了比较。结果显示，该模型在草莓数据集上实现了80.3%的平均精度，具有快速的推理速度和适用于实时草莓检测的网络参数。

本研究提出了多尺度关注金字塔模块（mAPm），将扩张卷积集成到特征金字塔网络（FPN）中，以增强多尺度信息提取能力。mAPm 在平均精度（AP）上取得了显著提升，在处理尺度变化方面有效。展示了推进目标检测技术的潜力。

该研究提出了一种基于YOLOv5的自定义目标检测模型，用于户外环境中的草莓检测。通过改进YOLOv5s架构，提高了特征梯度流，并与其他竞争模型进行了比较。结果显示，该模型在草莓数据集上实现了80.3%的平均精度，具有快速的推理速度和适用于实时草莓检测的网络参数。

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。