YOLO卷不动了，深度学习目标检测还有哪些方向能做？

主要观点总结

文章介绍了目标检测领域的最新进展，包括YOLOv13、DETR系列、开集目标检测以及SAM+目标检测等。文章指出，虽然目标检测是当前的热门领域，但要想发表高质量的论文仍需要付出努力。文中提到了几个不同的目标检测模型和它们的特点和创新点。

关键观点总结

关键观点1: YOLOv13的特点和创新点

YOLOv13是YOLO系列的最新模型，通过超图计算增强特征融合，采用轻量级深度可分离卷积块，提升实时目标检测性能。其中提出的HyperACE机制和FullPAD范式都是其创新之处。

关键观点2: DETR系列的特点和创新点

DETR系列基于Transformer，目前做这个方向的人还不算多。其中Mr. DETR论文提出了多路线训练机制，包含主要路线和辅助路线，通过指导性自注意力机制进行“一对多”预测。

关键观点3: 开集目标检测的特点和创新点

开集目标检测涉及到多模态，是当前的学术热点。VINO模型是开集目标检测的代表性模型，它通过构建多图像视觉库保存类别语义交集，并引入视觉更新机制来优化特征表示。

关键观点4: SAM+目标检测的特点和创新点

SAM+目标检测主要面向复杂环境下的多模态3D目标检测。RoboFusion框架是其中的代表性工作，它通过预训练SAM得到SAM-AD以适应自动驾驶场景，并通过AD-FPN、DGWA模块等实现特征对齐、去噪和融合。