向AI转型的程序员都关注公众号 机器学习AI算法工程
引言
目标检测作为计算机视觉领域的核心任务，近年来取得了显著进展。AAAI 2025 会议中，多篇与目标检测相关的论文引发了广泛关注。这些论文不仅在技术上取得了突破，还为未来的研究指明了方向。本文将为大家详细介绍这些论文的亮点和创新点，帮助读者把握目标检测领域的最新动态。
1. CP-DETR: 概念提示引导的通用目标检测
论文标题: CP-DETR: Concept Prompt Guide DETR Toward Stronger Universal Object Detection
亮点:
概念提示: 通过引入概念提示（Concept Prompt）来增强通用目标检测的性能。
多模态融合: 设计了一种高效的提示视觉混合编码器，通过逐层和多尺度融合模块增强提示与视觉之间的信息互动。
性能提升: 在 LVIS 数据集上，Swin-T 主干模型达到了 47.6 的零样本 AP，Swin-L 主干模型在 ODinW35 上达到了 32.2 的零样本 AP。
链接: https://arxiv.org/pdf/2412.09799
2. SCKD: 半监督跨模态知识蒸馏 for 4D 雷达目标检测
论文标题: SCKD: Semi-Supervised Cross-Modality Knowledge Distillation for 4D Radar Object Detection
亮点:
半监督学习: 提出了一种新颖的半监督跨模态知识蒸馏 (SCKD) 方法，用于基于 4D 雷达的 3D 目标检测。
特征蒸馏: 设计了两个特征蒸馏模块来促进跨模态知识转移。
性能提升: 在相同网络结构下，SCKD 训练的仅限雷达学生将基准测试的 mAP 提升了 10.38%。
链接: https://arxiv.org/pdf/2412.14571
3. HGSFusion: 雷达相机融合 for 3D 目标检测
论文标题: HGSFusion: Radar-Camera Fusion with Hybrid Generation and Synchronization for 3D Object Detection
亮点:
混合生成与同步: 提出了具有混合生成和同步 (HGSFusion) 的雷达相机融合网络。
雷达稠密编码器: 设计了一个雷达稠密编码器来丰富稀疏的有效雷达标记。
性能提升: 在 RoI AP 和 BEV AP 中分别以 6.53% 和 2.03% 的优势优于 VoD 和 TJ4DRadSet 数据集中的最先进方法。
链接: https://arxiv.org/html/2412.11489v1
4. RCTrans: 雷达相机 Transformer for 3D 目标检测
论文标题: RCTrans: Radar-Camera Transformer via Radar Densifier and Sequential Decoder for 3D Object Detection
亮点:
雷达稠密编码器: 设计了一个雷达稠密编码器来丰富稀疏的有效雷达标记。
顺序解码器: 提出了一种剪枝顺序解码器，以基于获得的标记和随机初始化的查询预测 3D 框。
性能提升: 在 nuScenes 数据集上取得了新的最先进的雷达相机 3D 检测结果。
链接: https://arxiv.org/pdf/2412.12799
5. 双概率对齐 for 通用域自适应目标检测
论文标题: Universal Domain Adaptive Object Detection via Dual Probabilistic Alignment
亮点:
双概率对齐: 提出了一种新颖的双概率对齐（DPA）框架，将域概率建模为高斯分布，从而实现异质域分布采样和度量。
模块设计: 包括全局级别域私有对齐（GDPA）、实例级别域共享对齐（IDSA）和私有类约束（PCC）。
性能提升: 在各种数据集和场景中优于最先进的 UniDAOD 和 DAOD 方法。
链接: https://arxiv.org/html/2412.11443v1
6. 差分对齐 for 领域自适应目标检测
论文标题: Differential Alignment for Domain Adaptive Object Detection
亮点:
差分特征对齐: 研究了一种差分特征对齐策略，设计了预测差异反馈实例对齐模块（PDFA）和基于不确定性的面向前景的图像对齐模块 (UFOA)。
性能提升: 在广泛使用的 DAOD 数据集上取得了优异的性能。
链接: https://arxiv.org/pdf/2412.12830v1
7. CREST: 基于事件的物体检测框架
论文标题: CREST: An Efficient Conjointly-trained Spike-driven Framework for Event-based Object Detection Exploiting Spatiotemporal Dynamics
亮点:
高效联合训练: 提出了 CREST，一个新颖的联合训练的尖峰驱动框架，用于利用基于事件的对象检测中的时空动态。
多尺度时空事件积分器: 采用了多尺度时空事件积分器 (MESTOR) 和时空-IoU (ST-IoU) 损失。
性能提升: 在三个数据集上实现了卓越的对象识别和检测性能，并且能效提高了 100 倍。
链接: https://arxiv.org/pdf/2412.12525v2
总结
从上述论文可以看出，通用目标检测、事件相机和雷达在自动驾驶中的应用仍然是当前的研究热点。这些论文不仅在技术上取得了显著进展，还为未来的研究提供了新的思路和方向。随着研究的深入，我们可以期待更多创新性的成果出现，进一步推动目标检测技术的发展。
机器学习算法AI大数据技术
搜索公众号添加： datanlp
长按图片，识别二维码
阅读过本文的人还看了以下文章：
整理开源的中文大语言模型，以规模较小、可私有化部署、训练成本较低的模型为主
基于40万表格数据集TableBank，用MaskRCNN做表格检测
《深度学习入门：基于Python的理论与实现》高清中文PDF+源码
2019最新《PyTorch自然语言处理》英、中文版PDF+源码
《21个项目玩转深度学习：基于TensorFlow的实践详解》完整版PDF+附书代码
PyTorch深度学习快速实战入门《pytorch-handbook》
【下载】豆瓣评分8.1,《机器学习实战:基于Scikit-Learn和TensorFlow》
李沐大神开源《动手学深度学习》，加州伯克利深度学习（2019春）教材
【Keras】完整实现‘交通标志’分类、‘票据’分类两个项目，让你掌握深度学习图像分类
如何利用全新的决策树集成级联结构gcForest做特征工程并打分？
Machine Learning Yearning 中文翻译稿
斯坦福CS230官方指南：CNN、RNN及使用技巧速查（打印收藏）
中科院Kaggle全球文本匹配竞赛华人第1名团队-深度学习与特征工程
不断更新资源
深度学习、机器学习、数据分析、python
搜索公众号添加： datayx
