Efficient DETR是一种新的目标检测框架，结合了密集和稀疏检测。它使用密集先验来初始化目标容器，并弥合了单层和六层解码器之间的差距。在MS COCO和CrowdHuman数据集上的实验结果表明，Efficient DETR仅使用三个编码器层和一个解码器层就能达到与最先进方法相竞争的性能。该论文还探讨了DETR的不同组件的影响，并提出了改进措施以解决其局限性。

LEOD是一个节省标签的事件感知目标检测框架，通过弱监督、半监督和自监督学习机制生成伪标签，并通过双向推理和基于跟踪的后处理提高伪标签质量。LEOD在实验中表现优于基准方法，甚至在所有标记数据可用时达到最优结果。LEOD方法可应用于改进更大的检测器。

本文提出了一种基于鲁棒学习思想的目标检测框架，通过使用在源领域上训练的检测模型获取目标领域的嘈杂标签数据，从而实现对领域适应问题的处理。通过在SIM10K、Cityscapes和KITTI等数据集上验证，与现有方法相比，本文方法显著提升。