YOLOv13出了，目標檢測捲上天，2025年真的不能再做了？也不盡然。其實這方向發畢業論文屬於easy模式，但如果想發點高質量的，也確實得多費心思。
今天我就給大家做點推薦，除了有名的Yolo系列之外，目標檢測任務做的出彩的也就是DETR系列（基於Transformer），目前這個做的人還不算很多。另外還有開集目標檢測這類，因為這小方向會涉及到多模態，屬於當前學術界熱點，很有前景。
再有就是大模型時代下的目標檢測，比如SAM+目標檢測就是個典型…其餘推薦由於文章限制就不一一展開了，配上145篇目標檢測參考論文，我都統一打包完畢，分享給大家，尤其是無GPU無指導的單兵們，希望可以有所幫助。
掃碼新增小享，回覆“135目檢”
免費獲取全部論文+開原始碼
YOLO系列
YOLOv13: Real-Time Object Detection with Hypergraph-Enhanced Adaptive Visual Perception
方法：論文提出了一種名為YOLOv13的新型即時目標檢測模型，它是對YOLO系列模型的重大改進。YOLOv13透過超圖計算增強特徵融合，採用輕量級深度可分離卷積塊，提升即時目標檢測效能，降低計算複雜度。
創新點：
-
提出HyperACE機制，自適應地利用超圖計算建模全域性高階相關性，實現跨位置和尺度的特徵融合與增強。 -
設計FullPAD正規化，將相關性增強的特徵分配到全網路，促進資訊流和表示協同，提升檢測效能。 -
使用深度可分離卷積替換大卷積核，設計輕量化塊，減少引數和計算複雜度，保持效能。
DETR系列
【CVPR25】Mr. detr: Instructive multi-route training for detection transformers
方法：論文提出Mr. DETR，透過多路線訓練機制改進DETR，同時進行“一對一”和“一對多”預測，加速收斂並提升檢測精度，推理時移除輔助路線，不影響模型架構和推理成本。
創新點：
-
提出多路線訓練機制，包含用於“一對一”預測的主要路線和用於“一對多”預測的輔助路線。 -
引入指導性自注意力機制，透過可學習的指令標記動態引導物件查詢進行“一對多”預測。 -
輔助路線在推理階段被移除，確保模型架構和推理成本與基線模型一致。
掃碼新增小享，回覆“135目檢”
免費獲取全部論文+開原始碼
開集目標檢測
More Pictures Say More: Visual Intersection Network for Open Set Object Detection
方法：論文提出 VINO 模型，用於開集目標檢測。它構建多影像視覺庫儲存類別語義交集，透過更新機制靈活整合新資訊最佳化特徵表示，提升語義理解與檢測效能，減少預訓練資源消耗，還拓展至分割任務。
創新點：
-
構建多影像視覺庫儲存類別語義交集，增強語義理解。 -
引入多影像視覺更新機制，靈活整合新資訊最佳化特徵表示。 -
在開集目標檢測中效能優異，且拓展至分割任務展現廣泛應用前景。
SAM+目標檢測
RoboFusion: Towards Robust Multi-Modal 3D Object Detection via SAM
方法：論文提出RoboFusion框架，基於預訓練SAM得到SAM-AD以適配自動駕駛場景，透過AD-FPN實現特徵對齊，用DGWA模組融合深度資訊與影像特徵並降噪，再經自適應融合機制動態調權重，增強特徵魯棒性，提升複雜環境下多模態3D目標檢測效能。
創新點：
-
提出SAM-AD，在自動駕駛資料上預訓練SAM以適應該場景，提升複雜環境感知能力。 -
設計AD-FPN實現特徵對齊，DGWA模組結合深度資訊去噪。 -
引入自適應融合機制，融合點雲與影像特徵動態調整權重，提高特徵魯棒性和檢測效能。
掃碼新增小享，回覆“135目檢”
免費獲取全部論文+開原始碼
