一种面向嵌入式GPU系统的实时多目标视觉跟踪方法，旨在解决边缘设备算力有限与深度学习算法高计算需求之间的矛盾。系统采用检测-跟踪联合架构，通过间隔运行深度学习检测器(JDE)并配合基于外观(KCF)和运动(Kalman Filter)的轻量级跟踪模块，在NVIDIA Jetson TX2平台上实现了25.2FPS的实时处理速度，最多可同时跟踪45个目标，功耗仅15W。在MOT16数据集上取得了51

提出语言模型可作为无监督多任务学习者的新范式。研究表明，在WebText数据集（800万网页文档）上训练的大规模语言模型GPT-2（15亿参数），能在零样本设置下完成问答、翻译、摘要等多种任务。实验显示，GPT-2在8个语言建模数据集中的7个达到SOTA，在CoQA问答任务上达到55F1，超越3/4的监督基线系统。关键发现包括：模型性能随规模呈对数线性提升；自然语言提示能有效激发任务能力；数据质量

介绍GPT-1模型通过生成式预训练提升语言理解能力的方法。采用两阶段训练框架：先在大规模无标注文本上进行生成式预训练，再针对特定任务进行判别式微调。模型使用12层Transformer架构，在BooksCorpus数据集上训练，实现了18.4的低困惑度。微调时采用任务感知输入转换策略，最小化架构改动。实验表明，该模型在12个NLP任务中的9个达到SOTA，包括常识推理(提升8.9%)、问答(提升5

HDNet框架解决低光照显著性目标检测问题。该网络由前景高亮子网(HNet)和检测子网(DNet)组成：HNet通过动态范围调整选择性增强前景，DNet利用多尺度特征融合实现精确检测。研究团队构建首个低光显著性数据集SOD-LL（含8000张标注图像），包含合成和真实数据。实验表明HDNet在SOD-LLR测试集上MAE达0.0364，优于现有方法10.57%。该方法创新性地采用任务导向的增强策略

一种用于红外小目标检测的分层注意力融合网络HAFNet。针对现有U-Net方法在复杂场景下性能受限的问题，HAFNet设计了双分支语义感知模块(DSPM)作为特征提取主干，结合标准卷积和扩张卷积增强上下文语义交互。同时，通过层次特征融合编码器(HFFE)和层次特征融合解码器(HFFD)扩展了跳过连接，实现多尺度特征的有效融合。实验结果表明，HAFNet在NUAA-SIRST、IRSTD-1k和NU

MSCK-Net多尺度中国结卷积网络，用于解决暗小红外舰船检测(DSIRSTs)问题。研究构建了包含27,138张图像的大规模红外舰船数据集IRShip，并提出CP-PB离线增强和Dense-O2O在线增强策略提升数据多样性。创新性地设计了中国结卷积(CKConv)结构，通过水平、垂直和方形卷积分支融合，有效增强弱目标的特征提取。实验表明，MSCK-Net-M在IRShip上达到82.5% AP5

一种基于两步保形预测的自适应边界盒不确定性量化方法，用于多目标检测中的安全关键应用。针对现有方法在类别预测错误和固定宽度区间上的局限性，该研究创新性地将不确定性量化分为类别标签预测和边界框坐标预测两个步骤，确保覆盖保证包括错误分类对象。同时提出了三种自适应边界框区间方法（Box-Std、Box-Ens、Box-CQR）和max-rank多重检验校正，使预测区间能根据目标大小动态调整。实验验证表明，

DRPCA-Net，一种将动态参数机制引入深度展开网络的红外小目标检测方法。针对传统RPCA方法参数固定、计算复杂的问题，通过超网络自适应生成迭代参数，并设计动态残差组模块增强背景建模能力。实验表明，该方法在多个数据集上显著优于现有方法，仅需1.169M参数即实现最优性能。消融实验验证了动态参数生成和DRG模块的有效性，同时揭示了方法在复杂地面场景中的局限性。该工作为结合模型先验与深度学习提供了新

D-FINE方法，通过重新定义DETR模型中的边界框回归任务，实现了高效精确的实时目标检测。该方法包含两大创新：1）细粒度分布精化(FDR)，将传统固定坐标预测转变为迭代优化概率分布，采用非均匀加权函数实现精准定位；2）全局最优定位自蒸馏(GO-LSD)，通过解耦加权策略实现跨层知识蒸馏。实验表明，D-FINE在COCO数据集上达到54.0%-59.3%的AP，超越现有实时检测器，同时计算量降低1

SalienceDETR，通过分层显著性过滤精化机制改进两阶段DETR检测器的性能。针对现有方法存在的编码冗余、选择冗余和尺度偏差问题，提出了三个核心创新：1）尺度无关的连续显著性监督，通过归一化距离构建置信度，公平处理不同尺寸目标；2）分层查询过滤，在编码器层和特征层级双维度动态调整计算量；3）查询精化模块（背景嵌入、跨层级token融合、冗余去除），解决语义不对齐问题。在ESD、CSD、MSS