汇报内容：

第一篇是《Dynamic R-CNN: Towards High Quality Object Detection via Dynamic Training》，作者提出Dynamic Label Assignment和Dynamic SmoothL1 Loss这两种方法，可以根据样本分布变化来动态调整训练策略，提高模型性能的同时不会降低速度。

第二篇是《End-to-End Object Detection with Fully Convolutional Network》，作者提出一种根据预测质量动态分配样本的策略(POTO)，以实现端到端检测，还提出了3DMF，利用多尺度特征提高局部区域卷积的可分辨性，最后端到端框架在数据集上显示了更优越的性能。