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。

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。