通过比较550多个基于YOLO的目标检测模型的准确性和延迟数据，发现YOLO系列的多种架构在准确性和延迟之间取得了良好的平衡。同时，证明了神经架构搜索中的无成本准确性估计器可以用于预测最优的检测模型。展示了一种与最先进的YOLOv8模型具有竞争力的YOLO架构。

本研究提出了一种高效的手语识别系统，利用低成本传感器和手工特征提取技术。通过训练目标检测模型，提高了图像中相关区域的关注度，从而提升了识别准确率，在AUTSL数据集上提高了7.96%。

晨光圆珠笔生产线使用目标检测模型PicoDet-L解决了人工品质检验的问题，大模型mAP@0.5为81.2%，小模型精度为74.5%，推理时间控制在10ms左右。企业表示将在其他场景中使用和验证。

该研究使用深度学习模型检测蚜虫簇集，并提出了一种新的方法来估计感染水平。通过构建庞大数据集并比较四种目标检测模型的性能，结果显示它们在精度和召回率方面表现相似。进一步的方法使性能提升了约17%。该研究证明了使用机器学习模型自动检测和管理昆虫的可行性，并公开提供了该数据集。

YOLOX-ViT是一种新颖的目标检测模型，研究了知识蒸馏在模型减小尺寸而不损失性能方面的有效性。研究重点是水下机器人技术和较小模型的可行性。结果显示，知识蒸馏有效地减少了误报，并且引入的视觉变换层提高了水下环境中的目标检测准确性。

该研究使用深度学习模型检测蚜虫簇集，并提出了一种新的方法来估计感染水平。通过比较四种目标检测模型的性能，结果显示它们在精度和召回率方面表现相似。进一步的方法使性能提升约17%。该研究证明了使用机器学习模型自动检测和管理昆虫的可行性，并提供了该数据集给研究界。

扩散模型是一种生成模型，能够合成文本到图像，提高文本图像对齐和知觉性能。该方法在ADE20K和NYUv2数据集上改进了语义分割和深度估计模型。适用于跨领域环境，通过个性化和标题修改改善非对齐基准的性能。目标检测模型在Pascal VOC数据集上训练，实现了Watercolor2K数据集上的最佳结果。分割方法在Cityscapes数据集上训练，实现了Dark Zurich-val和Nighttime Driving数据集上的最佳结果。

本文介绍了一种插拔式的水下联合图像增强模块(UnitModule)，通过无监督学习提高与检测器之间的交互效果。实验证明，该模块在不同的目标检测模型上能够显著提高性能，并对原始模型的推理速度影响较小。

本文介绍了一种弱监督标签统一流程，用于合并多个训练在异构数据集上的目标检测模型的伪标签，构建统一的标签空间，纠正偏见并提高泛化能力。通过微调多个数据集上的目标检测模型，并验证伪标签，重新训练一个在动态交通场景中表现出色的模型，展示了该方法的有效性。该方法在目标检测性能方面取得了显著提升，得到了对领域变化具有更高抵抗力的模型。

该研究使用深度学习模型检测蚜虫簇集，并提出了一种新的方法来估计感染水平。通过构建庞大数据集并比较四种目标检测模型的性能，结果显示它们在精度和召回率方面表现相似。进一步的方法使性能提升了约17%。该研究证明了使用机器学习模型自动检测和管理昆虫的可行性，并提供了该标注数据集给研究界。

该研究评估了多种目标检测模型在高盐度、低可见度的水下环境中的效果，并通过修改EfficientDet实现了对抗性干扰下的复杂特征融合。研究结果显示，修改后的EfficientDet在五倍交叉验证中表现更好，具有更高的IoU。