本文分享的目标检测论文将同步推送到 github上，欢迎大家 star/fork，链接地址：https://github.com/murufeng/awesome-papers/tree/master/Object-detection
注意事项：
- 本文分享的目标检测论文既含刷新COCO mAP记录的目标检测论文，也有追求 mAP 和 FPS trade-off的论文
- 论文发布时间段：2019年11月
目标检测论文
【1】SCL: Towards Accurate Domain Adaptive Object Detection via Gradient Detach Based Stacked Complementary Losses
- 时间：20191108
- 作者：CMU&印度理工学院
- 链接：https://arxiv.org/abs/1911.02559
- 注：SCL域自适应目标检测网络，性能优于MAF(ICCV’19)和Strong-Weak(CVPR’19)
【2】Localization-aware Channel Pruning for Object Detection
- 时间：20191109
- 作者：华中科技大学
- 链接：https://arxiv.org/abs/1911.02237
- 注：性能优于DCP、ThiNet，可对SSD剪枝70%参数
【3】RoIMix: Proposal-Fusion among Multiple Images for Underwater Object Detection
- 时间：20191112
- 作者：北大&鹏城实验室&腾讯
- 链接：https://arxiv.org/abs/1911.03029
- 注：水下目标检测
【4】Model Adaption Object Detection System for Robot
- 时间：20191113
- 作者：西安交通大学
- 链接：https://arxiv.org/abs/1911.02718
- 注：解决机器人靠近物体的移动过程中，对物体保持稳定的检测。检测和速度性能优于YOLOv3！
【5】EdgeNet: Balancing Accuracy and Performance for Edge-based Convolutional Neural Network Object Detectors
- 时间：20191117
- 作者：塞浦路斯大学
- 链接：https://arxiv.org/abs/1911.06091
- 注：EdgeNet 速度和精度均优于Tiny-YOLO V3和DroNet，功耗仅4W！可在树莓派、CPU上实时运行
【6】Enriched Feature Guided Refinement Network for Object Detection
- 时间：2019（ICCV 2019）
- 作者：天津大学&IIAI
http://openaccess.thecvf.com/content_ICCV_2019/papers/Nie_Enriched_Feature_Guided_Refinement_Network_for_Object_Detection_ICCV_2019_paper.pdf - 代码：https://github.com/Ranchentx/EFGRNet
- 注：EFGRNet是基于SSD改进的Single-Stage检测网络，在COCO上可达46ms/39.0mAP(512x512)，现已开源！
【7】EfficientDet: Scalable and Efficient Object Detection
- 时间：20191122
- 作者：谷歌大脑(Quoc V. L大佬)
- 链接：https://arxiv.org/abs/1911.09070
- 代码：即将开源
注：本文提出BiFPN和EfficientDet，在COCO上高达51.0 mAP！是目前在没有做多尺度测试下最强的目标检测网络！
【8】Learning Spatial Fusion for Single-Shot Object Detection
- 时间：20191122
- 作者：北京航空航天大学
- 链接：https://arxiv.org/abs/1911.09516
- 代码：https://github.com/ruinmessi/ASFF
- 注：YOLOv3+ASFF(自适应空间特征融合)组合，性能优于CornerNet和CenterNet等，在COCO上，38.1mAP/60 FPS，43.9mAP/29FPS！