利用外观、语境和几何线索，通过一个基于深度学习的完全卷积网络，结合基于模型的统计假设检验的最新检测方法，和一个系统的贝叶斯框架来检测自动驾驶汽车所面临的道路中的障碍物。我们在失物招领数据集上评估了我们的障碍物检测系统，取得了 50% 的相对性能提高和在 50 米内超过 90% 的检测率，在我们的自动驾驶平台上达到了 22 Hz 的操作。

Dec, 2016

本文介绍了一种新的基础设施传感器的多模 3D 物体检测器 InfraDet3D，有效结合了两个 LiDAR 和单目相机数据，通过早期融合方法提高检测效果，并将 HD 地图应用于单目 3D 检测模块，以提升其最终的感知结果；该系统在德国慕尼黑的 A9 测试区域进行了实际部署和评估，得到了 68.48 的 mAP 测试结果，同时数据集和代码也提供给研究社区进行进一步的研究。

Apr, 2023

在大规模灾难事件中，构建最优救援路径的规划依赖于在灾难现场的目标检测能力，其中主要挑战之一是存在密集和遮挡的目标。该研究提出了一种多模态协作网络（MuDet）用于密集和遮挡的车辆检测，通过构建多模态数据集并采用三个主要模块来增强不同模态的特征，并通过定义和阈值化置信度值来有效分离复杂背景中密集遮挡的车辆目标。实验结果表明 MuDet 的鲁棒性和通用性。

May, 2024

本文提出了一种新方法，即一个新的联合图像级联和特征金字塔网络，用于在遥感图像中提取多尺度的强和弱语义特征，并进行定向边界框的检测和旋转非极大值抑制，提高了模型的性能。同时，该模型还具有对图像和对象尺度和方向的鲁棒性，可在多类物体检测应用程序中部署。

Jul, 2018

利用光流线索指导的半监督分割方法解决铁路场景中多类障碍物检测问题，通过生成逼真的合成图像并利用光流作为先验知识来有效训练模型，实验证明了该方法的可行性和效果。

Jun, 2024

本文比较了多模式遥感下物体检测的方法，调查了适合评估的多模式数据集并讨论了未来方向。

Jul, 2023

提出了一种基于 RGB-D 相机的实时动态障碍物跟踪和建图系统，该系统使用 “占用格子图” 生成动态障碍物区域，应用卡尔曼滤波和连续滤波来跟踪每个动态障碍物，并提出了一种基于 Markov 链的环境感知轨迹预测方法。实验结果表明，该方法可以在动态环境中实时成功跟踪和避免障碍物。

Sep, 2022

通过引入快速轻量级的框架，将图像和点云转换成具有地点鉴别性的描述符。实验结果表明，所提出的方法在实时执行的同时达到了最先进的性能，具有实际的泛化能力。

Mar, 2024

我们研究了一种新的多头神经网络架构，同时解决了雷达点云中的杂波检测和移动道路用户的语义分割问题，并通过只使用一个输出值来表示网络的预测结果，从而达到了与传统特定任务模型相同的推断时间，我们在 RadarScenes 数据集上的广泛评估中证明了我们的设置非常有效，并且在雷达场景的语义分割上优于现有的任何网络。

Nov, 2023

通过跨模态幻觉实现稳健的点云三维物体检测的新框架，结合空间和特征的多次对齐以实现骨干网络的细化和幻觉生成，提出了空间对齐和特征对齐的步骤以处理几何差异和感知模态间的属性差距，通过单模态数据进行推断阶段的输入，实现更好的困难检测和高效率的检测。在 View-of-Delft (VoD) 数据集上的广泛实验表明，该方法在雷达和 LiDAR 物体检测上优于最先进的方法，同时保持了竞争性的运行效率。

Sep, 2023