YOLOv13出了，目标检测卷上天，2025年真的不能再做了？也不尽然。其实这方向发毕业论文属于easy模式，但如果想发点高质量的，也确实得多费心思。
今天我就给大家做点推荐，除了有名的Yolo系列之外，目标检测任务做的出彩的也就是DETR系列（基于Transformer），目前这个做的人还不算很多。另外还有开集目标检测这类，因为这小方向会涉及到多模态，属于当前学术界热点，很有前景。
再有就是大模型时代下的目标检测，比如SAM+目标检测就是个典型...其余推荐由于文章限制就不一一展开了，配上145篇目标检测参考论文，我都统一打包完毕，分享给大家，尤其是无GPU无指导的单兵们，希望可以有所帮助。
扫码添加小享，回复“135目检”
免费获取全部论文+开源代码
YOLO系列
YOLOv13: Real-Time Object Detection with Hypergraph-Enhanced Adaptive Visual Perception
方法：论文提出了一种名为YOLOv13的新型实时目标检测模型，它是对YOLO系列模型的重大改进。YOLOv13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，降低计算复杂度。
创新点：
提出HyperACE机制，自适应地利用超图计算建模全局高阶相关性，实现跨位置和尺度的特征融合与增强。 设计FullPAD范式，将相关性增强的特征分配到全网络，促进信息流和表示协同，提升检测性能。 使用深度可分离卷积替换大卷积核，设计轻量化块，减少参数和计算复杂度，保持性能。
DETR系列
【CVPR25】Mr. detr: Instructive multi-route training for detection transformers
方法：论文提出Mr. DETR，通过多路线训练机制改进DETR，同时进行“一对一”和“一对多”预测，加速收敛并提升检测精度，推理时移除辅助路线，不影响模型架构和推理成本。
创新点：
提出多路线训练机制，包含用于“一对一”预测的主要路线和用于“一对多”预测的辅助路线。 引入指导性自注意力机制，通过可学习的指令标记动态引导对象查询进行“一对多”预测。 辅助路线在推理阶段被移除，确保模型架构和推理成本与基线模型一致。
扫码添加小享，回复“135目检”
免费获取全部论文+开源代码
开集目标检测
More Pictures Say More: Visual Intersection Network for Open Set Object Detection
方法：论文提出 VINO 模型，用于开集目标检测。它构建多图像视觉库保存类别语义交集，通过更新机制灵活整合新信息优化特征表示，提升语义理解与检测性能，减少预训练资源消耗，还拓展至分割任务。
创新点：
构建多图像视觉库保存类别语义交集，增强语义理解。 引入多图像视觉更新机制，灵活整合新信息优化特征表示。 在开集目标检测中性能优异，且拓展至分割任务展现广泛应用前景。
SAM+目标检测
RoboFusion: Towards Robust Multi-Modal 3D Object Detection via SAM
方法：论文提出RoboFusion框架，基于预训练SAM得到SAM-AD以适配自动驾驶场景，通过AD-FPN实现特征对齐，用DGWA模块融合深度信息与图像特征并降噪，再经自适应融合机制动态调权重，增强特征鲁棒性，提升复杂环境下多模态3D目标检测性能。
创新点：
提出SAM-AD，在自动驾驶数据上预训练SAM以适应该场景，提升复杂环境感知能力。 设计AD-FPN实现特征对齐，DGWA模块结合深度信息去噪。 引入自适应融合机制，融合点云与图像特征动态调整权重，提高特征鲁棒性和检测性能。
扫码添加小享，回复“135目检”
免费获取全部论文+开源代码
