近日，新加坡法律出版社研究院特邀技术顾问吴圣健先生作为第一作者完成的研究论文《Order Matters: Competition-Guided Query Ordering for RNN-Based Object Detection》，获国际顶级人工智能学术会议 NeurIPS 2026 主会（Main Track）正式录用。
图：NeurIPS 2026 论文正式录用通知。
01｜NeurIPS：全球人工智能领域顶级学术会议
与其他以期刊作为核心成果载体的学科不同，人工智能领域的重要前沿研究成果往往首先发表于顶级国际学术会议。此类会议不仅承担学术交流功能，更通过严格的同行评审，遴选并正式发表原创研究成果。
NeurIPS（Conference on Neural Information Processing Systems）是全球人工智能领域最具影响力的学术会议之一，被中国计算机学会（CCF）列为人工智能领域 A 类国际学术会议，并在 ICORE 2026 国际计算机学术会议评级中获最高等级 A* 评价。
在人工智能的发展历程中，许多具有深远影响的研究论文都曾发表于 NeurIPS。
例如，ChatGPT、DeepSeek 等大模型广泛采用的 Transformer 核心架构，便源自 2017 年发表于 NeurIPS 的经典论文《Attention Is All You Need》。
这一架构此后广泛应用于大语言模型、计算机视觉和多模态人工智能等领域，成为现代人工智能发展的重要基础之一。
作为全球人工智能前沿研究的重要发表平台，NeurIPS 每年吸引世界一流高校、科研机构与科技企业参与竞争。
以 2025 年为例，仅主赛道即收到超过 2.1 万篇有效投稿，最终录取率约为 24.5%。
Google、清华大学、北京大学、斯坦福大学、麻省理工学院，以及 Meta、微软等世界知名高校和科技企业，均有研究成果发表于这一学术会议。
全球优秀人工智能研究力量在此交流与竞争，充分体现了 NeurIPS 在国际人工智能学术界的重要地位与影响力。
02｜吴圣健先生第一作者论文获 NeurIPS 2026 主会正式录用
此次获录用的论文聚焦计算机视觉领域的目标检测问题。
针对现有方法中多个查询可能对同一目标产生重复预测、影响训练稳定性等问题，研究提出了名为 DETRNN 的新方法，将竞争引导的查询排序引入循环细化过程。
该方法通过显式构建基于置信度与相似度的查询顺序，减少冗余预测，改善训练稳定性，并提升目标检测精度。
在多种 DETR 风格检测器上的实验中，该方法均取得了较为一致的性能提升。
吴圣健先生作为论文第一作者，其研究成果获 NeurIPS 2026 主会正式录用，体现了他在人工智能前沿研究领域的专业积累与创新能力，也是国际学术同行对该项研究的认可。
03｜研究院汇聚前沿科技力量，拓展法律出版的专业视野
吴圣健先生担任新加坡法律出版社研究院特邀技术顾问，持续关注人工智能技术发展及其与法律研究、法律实务的交叉问题，为研究院开展相关领域的学术交流与专业研究提供前沿技术视角。
新加坡法律出版社研究院重视法律与人工智能等前沿科技的跨学科交流，致力于汇聚不同领域的专业力量，拓展法律科技研究的视野。
新加坡法律出版社也将持续关注技术创新与法律实践的交汇，推动相关领域的知识传播、学术交流与专业出版。
附｜论文英文摘要
DETR-style detectors use one-to-one bipartite matching during training to assign object queries to ground-truth objects, enabling end-to-end set prediction without non-maximum suppression (NMS). However, without an explicit de-duplication procedure, multiple queries can still produce highly similar hypotheses for the same object, making training unstable and predictions less decisive.
Inspired by the sequential ordering of NMS, we propose DETRNN, a plug-and-play module that turns unordered object queries into a competition-aware sequence for recurrent refinement.
DETRNN builds an explicit confidence-and-similarity based order from prior predictions, then refines queries with an RNN along this order to model competition inside the decoder.
This ordered recurrent refinement reduces redundant predictions, stabilizes optimization, and improves final detection accuracy. Experiments on multiple DETR-style detectors show consistent gains with comparable efficiency.
资料参考：中国计算机学会（CCF）会议目录、ICORE 2026 Conference Portal、NeurIPS 2025 主会录用统计。
人物简介｜吴圣健
新加坡法律出版社研究院特邀技术顾问
吴圣健先生毕业于华东师范大学，先后取得软件工程本科学位及电子信息硕士学位。其长期从事人工智能、计算机视觉、图像处理、网络数据分析及软件系统研发工作，具有十余年技术研发与项目落地经验。技术方向涵盖目标检测、多目标跟踪、人脸识别、ReID、图像处理、模型部署推理、网络数据分析及后端系统开发等领域。曾以第一作者身份在 AI 领域的国际顶级会议（CCF-A 类）上发表多篇论文，并作为第一完成人获得多项国家发明专利授权。其产业实践涉及无人智能零售图像识别、金融反欺诈、伪造检测、网络流量预警及后端系统建设等方向。
文 / 新加坡法律出版社