根据当前搜索结果，截至2025年5月，COCO数据集上性能最佳的神经网络模型及其关键参数如下：
1. D-FINE（中科大团队）
- 性能参数：
- 在COCO数据集上以78 FPS的速度实现了59.3%的平均精度（AP），是当前实时目标检测领域的最高水平。
- 轻量化版本（D-FINE-S/M/L）在T4 GPU上分别达到287 FPS（3.49 ms）和178 FPS（5.62 ms），AP为48.5%和52.3%。
- 技术亮点：
- 细粒度分布优化（FDR）：将边界框回归任务转化为概率分布优化，提升对遮挡、模糊等复杂场景的鲁棒性。
- 全局最优定位自蒸馏（GO-LSD）：通过层间知识蒸馏进一步优化定位精度，AP较基线模型提升最高达5.3%。
- 支持自定义数据集训练，代码和预训练模型已开源。
2. AODGCN（太原科技大学团队）
- 性能参数：
- 在MS-COCO 2017测试集上达到51.8% mAP，较YOLOv8提升1.6%。
- 对小目标（50×50像素）的检测精度提升3.2%。
- 技术亮点：
- 动态图卷积网络（D-GCN）：自适应调整邻接矩阵，适应多尺度目标。
- 内容感知注意力模块（CAAM）：通过空间权重强化关键区域特征，遮挡场景下分类准确率提升2.1%。
3. InstaBoost（上海交大MVIG团队）
- 性能提升：
- 在Mask R-CNN和Cascade R-CNN等框架中应用后，COCO实例分割任务提升2.2 mAP，目标检测任务最高提升4 mAP。
- 通过改进数据增强方法（如Matting和Inpainting），增强前景与背景的融合一致性，减少过拟合。
- 优势：
- 仅需替换数据加载函数（dataloader），训练时间每轮仅增加0.03秒，适合在线训练。
4. PMD-LAMB（中科院自动化所）
- 训练效率：
- 使用超大批次（batch size=1056）训练，COCO检测任务训练时间缩短至12分钟，实例分割任务17分钟。
- 在OpenImages数据集上实现10%以上的性能提升。
- 优化方法：
- 周期性矩衰减优化策略，解决大批次训练时的收敛问题。
5. DANet（双重注意力网络）
- 应用领域：
- 主要用于场景分割任务，在COCO Stuff数据集上达到SOTA性能，平均IoU显著提升。
- 通过空间和通道维度的注意力机制建模全局依赖关系。
总结
- 性能最优模型：D-FINE以59.3% AP和78 FPS的速度成为当前COCO目标检测的标杆。
- 效率与精度平衡：PMD-LAMB和InstaBoost分别通过训练优化和数据增强显著提升模型效率与精度。
- 技术趋势：动态图卷积、注意力机制、知识蒸馏和高效数据增强是提升COCO性能的主流方向。
如需具体模型的代码或训练细节，可参考各研究的开源仓库（如D-FINE的GitHub项目）。