目标检测论文精读

一、趋势

• ① 简单介绍：目标检测正在从“设计专用网络去拟合固定类别表”转向“以冻结的视觉 / 语言基础模型为底座，通过对齐、提示、检索与推理把它改造成检测器”。今年的主导叙事是开放词表 / 通用检测、零 / 少样本异常检测、以及多模态（事件 / 红外 / 雷达 / 点云）、3D 与视频时序感知的全面兴起；研究重心由“架构设计”转移到“如何调用与对齐基础模型”。
• ② 部署侧技术快速成熟并成为独立热点：域适应（黑盒 / 无源 / 测试时 / 因果去混杂）、增量学习（提示池 + 双教师蒸馏抗遗忘）与实时轻量（YOLO + Mamba / MoE / 重参数化）三条线并行，专门回答“模型训好之后如何走出实验室、持续扩展且跑得快”。
• ③新架构与可信基础设施同步补齐：Mamba / 状态空间模型以线性复杂度取代纯注意力承担长程时序与跨域对齐，MoE 实现“按需算力”的条件计算；与此同时，大规模基准（Omni-AD、MMR-AD、SteelDefectX 等）、Shapley / 显著性可解释、主动学习与数据筛选（如 DetGain）快速补齐，使领域从“能检”走向“可比较、可信任、可训练”。

二、方法

列出本方向各类研究方法，并附简要介绍。一个方法可应用于多篇、一篇也可同时采用多种方法。

研究方法
基准 / 数据集 / 评测：新建大规模基准与评测协议，揭示方法瓶颈、推动领域可比与前进。

DETR / Transformer / ViT / 注意力：以 Transformer 为统一检测框架，用可学习 query 做端到端检测，是多数新方法的结构底座。

提示学习 / LoRA / 适配器：在冻结大模型上叠加可学习提示或低秩适配，以极少参数把通用模型改造成专用检测器。

视觉基础模型 (VFM/CLIP/DINO/SAM)：把冻结的强预训练视觉 / 图文模型当作特征与先验来源，通过对齐或轻量适配复用其通用表征。

三、主题

将全部 114 篇论文划分为以下 14 个类别。每一类先说明其应用场景与主题意义。

1　通用与开放词表目标检测

【应用场景】用大模型 / 语言驱动的方式做“任意物体都能检测”的通用检测器，以及不依赖固定类别表的开放词表检测。

A. 主题简述

· 意义：把检测从“闭集固定类别”推向“用语言即可指定要找什么”，是迈向通用视觉感知的核心方向，直接支撑机器人、AR、检索等开放场景。

【论文标题】 Detect Anything via Next Point Prediction (Rex-Omni)

【研究背景与动机】 该工作处于“通用与开放词表目标检测”这一研究脉络。其意义在于：把检测从“闭集固定类别”推向“用语言即可指定要找什么”，是迈向通用视觉感知的核心方向，直接支撑机器人、AR、检索等开放场景。 在此背景下，作者针对现有方法的关键短板提出新的解决思路。

2　异常检测 · 零样本与少样本

【应用场景】在几乎无标注（零样本）或仅有 1–4 张正常样本（少样本）条件下，判断图像/区域是否存在缺陷或异常。

A. 主题简述

· 意义：工业质检、医学筛查等场景标注极贵，零/少样本异常检测决定技术能否真正落地；CLIP/VFM 等基础模型让“免训练即可检”成为现实。

【论文标题】 AnomalyVFM: Transforming VFMs into Zero-Shot Anomaly Detectors

【研究背景与动机】 该工作处于“异常检测 · 零样本与少样本”这一研究脉络。其意义在于：工业质检、医学筛查等场景标注极贵，零/少样本异常检测决定技术能否真正落地；CLIP/VFM 等基础模型让“免训练即可检”成为现实。 在此背景下，作者针对现有方法的关键短板提出新的解决思路。

3　异常检测 · 无监督与多模态

【应用场景】用无标签正常样本训练、或结合 RGB+深度/3D 等多模态信息做异常检测与定位。

A. 主题简述

· 意义：真实产线往往只有正常样本，多模态（结构+纹理）能弥补单 RGB 的歧义；这类方法追求“一个模型通吃多类/多模态”的工业实用化。

【论文标题】 Dual-Prototype-Guided Multi-task Learning for Unsupervised AD

【研究背景与动机】 该工作处于“异常检测 · 无监督与多模态”这一研究脉络。其意义在于：真实产线往往只有正常样本，多模态（结构+纹理）能弥补单 RGB 的歧义；这类方法追求“一个模型通吃多类/多模态”的工业实用化。 在此背景下，作者针对现有方法的关键短板提出新的解决思路。

4　异常检测 · 3D 与工业基准

【应用场景】面向 3D 点云/形状的异常检测，以及为工业异常检测新建的大规模基准与数据集。

A. 主题简述

· 意义：3D 缺陷（形变、错位）在 2D 下不可见；高质量基准（Omni-AD、MMR-AD、SteelDefectX）揭示现有方法远未饱和，是推动领域前进的基础设施。

【论文标题】 A Semantically Disentangled Unified Model for Multi-category 3D AD

【研究背景与动机】 该工作处于“异常检测 · 3D 与工业基准”这一研究脉络。其意义在于：3D 缺陷（形变、错位）在 2D 下不可见；高质量基准（Omni-AD、MMR-AD、SteelDefectX）揭示现有方法远未饱和，是推动领域前进的基础设施。 在此背景下，作者针对现有方法的关键短板提出新的解决思路。

5　域适应 / 跨域 / 域泛化目标检测

【应用场景】当训练域（源）与测试域（目标）存在分布差异（天气、视角、传感器、风格）时，如何把检测器有效迁移或泛化。

A. 主题简述

· 意义：真实部署常遇“训练-测试不一致”，域适应/泛化决定模型能否走出实验室；黑盒、无源、测试时等严苛设定更贴近隐私与算力现实。

【论文标题】 A Closer Look at Cross-Domain Few-Shot OD: Fine-Tuning Matters

【研究背景与动机】 该工作处于“域适应 / 跨域 / 域泛化目标检测”这一研究脉络。其意义在于：真实部署常遇“训练-测试不一致”，域适应/泛化决定模型能否走出实验室；黑盒、无源、测试时等严苛设定更贴近隐私与算力现实。 在此背景下，作者针对现有方法的关键短板提出新的解决思路。

6　增量目标检测

【应用场景】检测器在上线后持续学习新类别/新域，且不能遗忘旧知识（无样本回放设定尤为受关注）。

A. 主题简述

· 意义：真实系统要不断扩展识别能力，增量学习避免“每加一类就全量重训”，是可持续发展的关键；但需对抗灾难性遗忘与提示退化。

【论文标题】 Beyond Prompt Degradation: Prototype-Guided Dual-Pool Prompting for IOD

【研究背景与动机】 该工作处于“增量目标检测”这一研究脉络。其意义在于：真实系统要不断扩展识别能力，增量学习避免“每加一类就全量重训”，是可持续发展的关键；但需对抗灾难性遗忘与提示退化。 在此背景下，作者针对现有方法的关键短板提出新的解决思路。

7　YOLO 与实时 / 轻量检测

【应用场景】以 YOLO 系列为代表的实时、低延迟、低算力目标检测架构改进与训练加速。

A. 主题简述

· 意义：边缘设备、自动驾驶、监控等场景对速度与功耗极敏感；在保持精度的同时压缩算力/参数是工业落地的硬需求。

【论文标题】 AKCMamba-YOLO: Selective State Space Models for Real-Time OD

【研究背景与动机】 该工作处于“YOLO 与实时 / 轻量检测”这一研究脉络。其意义在于：边缘设备、自动驾驶、监控等场景对速度与功耗极敏感；在保持精度的同时压缩算力/参数是工业落地的硬需求。 在此背景下，作者针对现有方法的关键短板提出新的解决思路。

8　多模态 / 特定传感器检测

【应用场景】融合或专门处理事件相机、热红外、RGB-红外、雷达、X 光等非典型 RGB 传感器的目标检测。

A. 主题简述

· 意义：在夜间、雾天、低光、遮挡等 RGB 失效场景下，事件/红外/雷达提供互补信息；跨模态对齐与融合是该方向的核心难题。

【论文标题】 Beyond Duality: Hybrid Framework for RGB-Event OD (SPFD)

【研究背景与动机】 该工作处于“多模态 / 特定传感器检测”这一研究脉络。其意义在于：在夜间、雾天、低光、遮挡等 RGB 失效场景下，事件/红外/雷达提供互补信息；跨模态对齐与融合是该方向的核心难题。 在此背景下，作者针对现有方法的关键短板提出新的解决思路。

9　遥感 / 航拍 / 无人机检测

【应用场景】面向卫星/航拍遥感与无人机视角的目标检测，含细粒度、小目标、旋转框、复杂背景与三模态融合。

A. 主题简述

· 意义：国土监测、农业、安防依赖从高空识别目标；小目标、旋转方向、复杂背景与传感器噪声是该场景特有挑战。

【论文标题】 Balanced Hierarchical Contrastive Learning for Fine-grained RS OD

【研究背景与动机】 该工作处于“遥感 / 航拍 / 无人机检测”这一研究脉络。其意义在于：国土监测、农业、安防依赖从高空识别目标；小目标、旋转方向、复杂背景与传感器噪声是该场景特有挑战。 在此背景下，作者针对现有方法的关键短板提出新的解决思路。

10　小目标检测（红外 / 事件）

【应用场景】专门应对红外、事件相机等模态下“目标极小、信噪比低、易与背景混淆”的检测与分割。

A. 主题简述

· 意义：红外小目标（如无人机、船只）与事件小目标在国防、监控中至关重要；其微弱信号易被深层网络稀释，需针对性保特征、抑虚警。

【论文标题】 CHAL: Causal-guided Hierarchical Anomaly-aware Learning for Moving IR Small Target

【研究背景与动机】 该工作处于“小目标检测（红外 / 事件）”这一研究脉络。其意义在于：红外小目标（如无人机、船只）与事件小目标在国防、监控中至关重要；其微弱信号易被深层网络稀释，需针对性保特征、抑虚警。 在此背景下，作者针对现有方法的关键短板提出新的解决思路。

11　视频目标检测与多目标跟踪

【应用场景】视频序列中的目标检测（利用时序）、以及把检测结果关联成稳定轨迹的多目标跟踪（MOT）与跨视角/固定视角跟踪。

A. 主题简述

· 意义：视频理解、自动驾驶、安防依赖“既检得准又跟得稳”；时序建模与跨帧/跨摄像头关联是提升鲁棒性的关键。

【论文标题】 D2FANet: Dual-Domain Feature Aggregation for Video OD

【研究背景与动机】 该工作处于“视频目标检测与多目标跟踪”这一研究脉络。其意义在于：视频理解、自动驾驶、安防依赖“既检得准又跟得稳”；时序建模与跨帧/跨摄像头关联是提升鲁棒性的关键。 在此背景下，作者针对现有方法的关键短板提出新的解决思路。

12　人-物交互（HOI）与指代检测

【应用场景】检测“人正在对什么物体做什么动作”（HOI），以及按语言/图像指代定位特定目标（Referring / Grounding）。

A. 主题简述

· 意义：HOI 与指代是视觉推理从“有哪些物体”走向“谁在对谁做什么、我要找哪一个”的关键，支撑机器人操作、图像检索与人机交互。

【论文标题】 Mining Instance-Centric Vision-Language Contexts for HOI Detection

【研究背景与动机】 该工作处于“人-物交互（HOI）与指代检测”这一研究脉络。其意义在于：HOI 与指代是视觉推理从“有哪些物体”走向“谁在对谁做什么、我要找哪一个”的关键，支撑机器人操作、图像检索与人机交互。 在此背景下，作者针对现有方法的关键短板提出新的解决思路。

13　基准 / 数据集 / 可解释性 / 主动学习 / 数据工程

【应用场景】为检测社区提供新基准与数据集、解释检测器决策、主动选择高价值样本标注、在线数据筛选，以及计数、图像转换、视觉合规等周边任务。

A. 主题简述

· 意义：高质量基准揭示方法瓶颈，可解释性建立信任，主动学习/数据筛选降低标注成本——这些都是把研究推向实用、可信、高效的底层支撑。

【论文标题】 Explaining Object Detectors via Collective Contribution of Pixels (VX-CODE)

【研究背景与动机】 该工作处于“基准 / 数据集 / 可解释性 / 主动学习 / 数据工程”这一研究脉络。其意义在于：高质量基准揭示方法瓶颈，可解释性建立信任，主动学习/数据筛选降低标注成本——这些都是把研究推向实用、可信、高效的底层支撑。 在此背景下，作者针对现有方法的关键短板提出新的解决思路。

14　3D 目标检测（单目 / 通用）

【应用场景】从单张图像或视频恢复物体的 3D 位置、尺寸与朝向，以及用视觉语言模型做 3D 检测。

A. 主题简述

· 意义：自动驾驶、机器人抓取需要真实三维几何；单目方案成本低，而用 VLM 做 3D 检测是“语言即检测器”在自然三维世界的延伸。

【论文标题】 RARE: Learn to Rank and Retrieve for Monocular 3D OD

【研究背景与动机】 该工作处于“3D 目标检测（单目 / 通用）”这一研究脉络。其意义在于：自动驾驶、机器人抓取需要真实三维几何；单目方案成本低，而用 VLM 做 3D 检测是“语言即检测器”在自然三维世界的延伸。 在此背景下，作者针对现有方法的关键短板提出新的解决思路。