本文探讨了多目标跟踪（MOT）中的数据关联问题，提出了近似动态规划跟踪（ADPTrack）和分层IoU跟踪框架（HIT）等新方法，显著提升了跟踪性能，尤其在复杂场景中表现优异。这些方法在多个基准测试中取得了最佳结果，展示了良好的实际应用潜力。

提出了一种基于凸多边形的全可微分算法，用于计算任意角度下两个三维边界框的IoU。实验结果表明，该算法的收敛速度比L1损失更快，并且在三维检测模型中，与L1损失相结合使用可以获得更好的结果。对于不同类型的三维检测模型，AP值有所提高。

通过分析难易样本分布对回归结果的影响，提出了 Focaler-IoU 方法，可以通过关注不同的回归样本，在不同的检测任务中提高检测器的性能。

提出了一种关注边界框自身的形状和大小的边界框回归方法，通过 Shape IoU 方法计算损失，有效改进了检测性能，并在不同的检测任务中表现出色。

该研究提出了广义掩码感知交并比（GmaIoU）作为实例分割方法中锚框正负样本分配的新衡量标准。通过在ATSS中使用基于GmaIoU的分配器训练实时实例分割方法YOLACT，证明了GmaIoU的有效性。基于GmaIoU的YOLACT相对于使用交并比的ATSS提高了约1.0-1.5个掩码AP，相对于使用固定交并比阈值分配器的YOLACT提高了约1.5-2个掩码AP，并且减少了25％的推断时间。进一步设计了GmaYOLACT，一个比YOLACT更快且准确率提高了7个掩码AP的检测器。最佳模型在COCO测试集上以26fps的速度实现了38.7个掩码AP，建立了实时实例分割领域的新的最先进水平。

该文介绍了一种名为 Inner-IoU 损失函数的方法，通过辅助边界框计算 IoU 损失，加速了边界框回归过程，并提高了检测性能。该方法在不同数据集和检测器中引入缩放因子比例以控制辅助边界框的尺寸，经过模拟和比较实验证明了其有效性和普适性。

该文提出了一个双层对抗性框架，使用动态对抗性学习和分层增强学习策略提高检测鲁棒性，同时使用空间频率交互网络分离干扰和显著特征。实验结果表明，该方案在多种干扰下的 IOU 明显改善了 21.96％，在基准测试中提升了 4.97％的 IOU。

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。