入门必读的经典文章（动态更新）

发布时间：2026-10-12 · 最近更新：2026-10-12

面向视觉与遥感方向新同学，优先收录高影响力的顶会顶刊论文。每篇保留论文链接、发表出处和核心阅读点；技术报告与前沿工作单独标注。

建议先掌握 Faster R-CNN、FPN 和 DETR，再按研究方向阅读。不要只会调用 YOLO，区域特征与集合预测同样是后续研究的重要基础。

场景图生成

SGG 预测对象及其关系，典型输出为 (subject, predicate, object) 三元组。推荐精读顺序：IMP → Motifs → VCTree → TDE。

论文（第一作者）	出处	核心阅读点
VRD：Visual Relationship Detection with Language Priors，Cewu Lu 等	ECCV 2016	视觉关系检测、语言先验与未见关系组合。
Visual Genome：Visual Genome: Connecting Language and Vision Using Crowdsourced Dense Image Annotations，Ranjay Krishna 等	IJCV 2017	对象、属性、关系标注；区分原始数据与 VG150 等处理版本。
IMP：Scene Graph Generation by Iterative Message Passing，Danfei Xu 等	CVPR 2017	对象节点与关系边之间的迭代消息传递。
Neural Motifs：Neural Motifs: Scene Graph Parsing with Global Context，Rowan Zellers 等	CVPR 2018	LSTM 全局上下文、对象共现与关系频率先验。
Graph R-CNN：Graph R-CNN for Scene Graph Generation，Jianwei Yang 等	ECCV 2018	关系候选筛选与图卷积推理。
VCTree：Learning to Compose Dynamic Tree Structures for Visual Contexts，Kaihua Tang 等	CVPR 2019	动态树结构与双向 TreeLSTM 上下文建模。
TDE：Unbiased Scene Graph Generation From Biased Training，Kaihua Tang 等	CVPR 2020	因果分析、反事实推断与关系预测偏置。

基线代码

仓库	用途
KaihuaTang / Scene-Graph-Benchmark.pytorch	通用 SGG 基线，统一阅读 IMP、Motifs、VCTree 和因果分析等实现；指标参见 METRICS.md。
STAR：Zhuzi24 / SGG-ToolKit	遥感 SGG 数据准备、训练与评测；数据入口见 STAR 项目页。
Bamboo0216 / SARNet	组内 TGRS 2026 工作，基于 SGG-ToolKit，关注空间影响建模与相对几何配置。

遥感方向建议先跑通 STAR 基线，再阅读 SARNet。复现时固定数据划分、检测器和评测配置，再比较模型改动。

目标检测

R-CNN 系列与多尺度特征

论文（第一作者）	出处	核心阅读点
R-CNN：Rich Feature Hierarchies for Accurate Object Detection and Semantic Segmentation，Ross Girshick 等	CVPR 2014	候选区域、CNN 特征与检测微调。
Fast R-CNN：Fast R-CNN，Ross Girshick	ICCV 2015	共享卷积特征、RoI Pooling 与多任务损失。
Faster R-CNN：Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks，Shaoqing Ren 等	NIPS 2015（现 NeurIPS）	RPN、anchor、候选框与两阶段分类回归。
FPN：Feature Pyramid Networks for Object Detection，Tsung-Yi Lin 等	CVPR 2017	自顶向下路径、横向连接与多尺度特征。

单阶段检测与 YOLO 系列

论文（第一作者）	出处	核心阅读点
YOLOv1：You Only Look Once: Unified, Real-Time Object Detection，Joseph Redmon 等	CVPR 2016	网格预测与实时单阶段检测。
SSD：SSD: Single Shot MultiBox Detector，Wei Liu 等	ECCV 2016	多尺度特征图与 default boxes。
YOLOv2 / YOLO9000：YOLO9000: Better, Faster, Stronger，Joseph Redmon 等	CVPR 2017	anchor 聚类、多尺度训练与分类检测联合训练。
RetinaNet：Focal Loss for Dense Object Detection，Tsung-Yi Lin 等	ICCV 2017	Focal Loss 与前景/背景样本不平衡。
FCOS：FCOS: Fully Convolutional One-Stage Object Detection，Zhi Tian 等	ICCV 2019	anchor-free 预测、边界距离与 centerness。
YOLOv7：YOLOv7: Trainable Bag-of-Freebies Sets New State-of-the-Art for Real-Time Object Detectors，Chien-Yao Wang 等	CVPR 2023	实时检测架构、重参数化与训练策略。

技术报告补充： YOLOv3: An Incremental Improvement（2018），关注 Darknet-53 与多尺度预测；YOLOv4: Optimal Speed and Accuracy of Object Detection（2020），关注网络组件与训练技巧。两者不列作正式顶会论文。

DETR 与开放词汇检测

论文（第一作者）	出处	核心阅读点
DETR：End-to-End Object Detection with Transformers，Nicolas Carion 等	ECCV 2020	object queries、Hungarian matching 与集合预测。
Deformable DETR：Deformable DETR: Deformable Transformers for End-to-End Object Detection，Xizhou Zhu 等	ICLR 2021	参考点、稀疏采样注意力与多尺度处理；代码。
DINO（检测）：DINO: DETR with Improved DeNoising Anchor Boxes for End-to-End Object Detection，Hao Zhang 等	ICLR 2023	去噪训练与查询初始化；代码。
Grounding DINO：Grounding DINO: Marrying DINO with Grounded Pre-Training for Open-Set Object Detection，Shilong Liu 等	ECCV 2024	图文交互、语言引导查询与文本条件检测。

按表格顺序阅读即可。这里的 DINO 是检测方法，不是自监督表征中的 DINO / DINOv2。

图像分割

论文（第一作者）	出处	核心阅读点
FCN：Fully Convolutional Networks for Semantic Segmentation，Jonathan Long 等	CVPR 2015	全卷积像素预测、上采样与跨层融合。
U-Net：U-Net: Convolutional Networks for Biomedical Image Segmentation，Olaf Ronneberger 等	MICCAI 2015	编码器、解码器与跳跃连接。
DeepLab（期刊版）：DeepLab: Semantic Image Segmentation with Deep Convolutional Nets, Atrous Convolution, and Fully Connected CRFs，Liang-Chieh Chen 等	TPAMI 2018	空洞卷积、ASPP 与 CRF。
DeepLabv3+：Encoder-Decoder with Atrous Separable Convolution for Semantic Image Segmentation，Liang-Chieh Chen 等	ECCV 2018	多尺度上下文、解码器与边界恢复。
Mask R-CNN：Mask R-CNN，Kaiming He 等	ICCV 2017	RoIAlign、mask 分支与实例分割。
Mask2Former：Masked-Attention Mask Transformer for Universal Image Segmentation，Bowen Cheng 等	CVPR 2022	masked attention 与统一分割架构。
SAM：Segment Anything，Alexander Kirillov 等	ICCV 2023	可提示分割、三部分模型架构与数据引擎。

先区分语义分割、实例分割、全景分割和可提示分割。SAM 的掩码输出本身不等于类别标签或场景图关系。

遥感旋转目标检测

论文（第一作者）	出处	核心阅读点
DOTA：DOTA: A Large-Scale Dataset for Object Detection in Aerial Images，Gui-Song Xia 等	CVPR 2018	大幅面遥感影像、四边形标注与检测评测。
RoI Transformer：Learning RoI Transformer for Oriented Object Detection in Aerial Images，Jian Ding 等	CVPR 2019	水平 RoI 到旋转 RoI 的变换与特征对齐。
Oriented R-CNN：Oriented R-CNN for Object Detection，Xingxing Xie 等	ICCV 2021	oriented RPN 与两阶段旋转框精修；代码。

建议顺序：Faster R-CNN → FPN → DOTA → RoI Transformer → Oriented R-CNN。RoI Transformer 中的 Transformer 指区域变换，不是自注意力网络。

进阶与前沿补充

以下工作用于衔接后续研究，不与长期高引用经典混排。

论文（第一作者）	出处	核心阅读点
PSG：Panoptic Scene Graph Generation，Jingkang Yang 等	ECCV 2022	从框级场景图扩展到全景分割区域与关系。
SAM 2：SAM 2: Segment Anything in Images and Videos，Nikhila Ravi 等	ICLR 2025	流式记忆与视频对象传播；项目。
SAM 3：SAM 3: Segment Anything with Concepts，Nicolas Carion 等	ICLR 2026	概念提示下的检测、分割与跟踪；项目。

评测概念速查

阅读相关论文时，应能解释以下概念；具体匹配、插值和忽略规则以官方评测器为准。

方向	概念	需要掌握
场景图	PredCls / SGCls / SGDet	分别在给定真实框与类别、仅给定真实框、从图像检测目标的条件下预测关系。
场景图	R@K / mR@K	前 K 个关系三元组的召回；mR@K 先按关系类别计算再平均。
检测	IoU；TP / FP / FN	IoU 为交集面积除以并集面积；按类别与 IoU 规则匹配后统计正确检测、误检与漏检。
检测	Precision / Recall / F1	P = TP/(TP+FP)，R = TP/(TP+FN)，F1 = 2PR/(P+R)。
检测	AP / mAP	AP 汇总置信度排序产生的 P-R 曲线；mAP 在指定协议下对类别 AP 求平均。
检测	AP50 / AP75	IoU 匹配阈值为 0.50 / 0.75 时的 AP；不是置信度阈值。
检测	COCO AP	跨类别及 0.50 至 0.95、间隔 0.05 的 IoU 阈值汇总；不等于 AP50。
检测	AP_S / AP_M / AP_L；AR	分别关注不同大小目标的 AP，以及给定检测数上限等条件下的平均召回。
分割	mIoU	按类别计算像素交并比后平均，不是检测 mAP。
检测与分割	bbox AP / mask AP	分别使用框 IoU、掩码 IoU 匹配实例并计算 AP。

比较结果前，统一数据划分、任务设置和评测协议；区分置信度阈值、NMS 阈值与评测 IoU 阈值。

详细说明：SGG 指标 · VOC 评测 · COCO 评测代码 · MMSegmentation 指标

更新记录

• 2026-10-12：建立论文清单，补充通用与遥感 SGG 基线代码、评测概念；统一为便于增补的简表。