提出了一种基于回归的运动稳定方法，旨在检测被拍摄的机动飞行器在复杂背景中移动的情况，该方法在运动与外观两方面共同作用下可以对比先进技术更有效地运用时空图像块进行分类，并通过收集两个具有挑战性的数据集为飞行物体检测和视觉引导式避碰创建基准。

Nov, 2014

本文介绍了基于多任务学习网络和残差网络，提出了一种能够同时学习两个互补任务的方法，即分割车辆区域和检测语义边界。为了评估未来的车辆实例分割算法，作者构建了一个新的车辆实例分割数据集并分享了链接。

May, 2018

本文着重于构建一个针对复杂场景的无人机基准测试数据集，并对基准测试集中的物体检测、单目标跟踪和多目标跟踪进行了详细的定量分析，实验结果表明目前最先进的方法在这个数据集上的表现相对较差，给出了这一问题的多方面解决方案。

Mar, 2018

使用光学传感器进行无人机的检测、跟踪和距离估计，通过深度学习框架、目标检测模块、跟踪模块和深度估计模块实现全自主飞行和高级空中流动的无人机。

May, 2024

本论文研究了基于无人机交通视频的实时车辆检测和城市交通行为分析系统。通过使用无人机收集交通数据，并结合 YOLOv8 模型和 SORT 跟踪算法，在 iOS 移动平台上实现对象检测和跟踪功能。使用动态计算方法实时处理性能，计算车辆的微观和宏观交通参数，并进行实时的交通行为分析和可视化。实验结果显示，车辆对象检测的准确率达到 98.27%、召回率达到 87.93%，实时处理能力稳定在每秒 30 帧。这项工作将无人机技术、iOS 开发和深度学习技术整合在一起，将交通视频采集、目标检测、目标跟踪和交通行为分析功能集成到移动设备上，为轻量级交通信息收集和数据分析提供了新的可能性，并为交通管理部门改善道路交通状况分析效率和解决交通问题提供了创新的解决方案。

Feb, 2024

该文章提出了一种新型的多任务学习系统，将外观和运动线索相结合，以更好地对环境进行语义推理，其中介绍了一种联合车辆检测和运动分割的统一架构，并使用 KITTI 数据集评估了该方法，在运动检测任务上的性能优于其他利用运动线索方法 21.5％，在通用物体分割任务上表现与现有的无监督方法相当，其中一个有趣的结论是运动分割与车辆检测的联合训练有益于运动分割

Sep, 2017

提出一种统一的流水线架构，用于 UAV 上的嵌入式系统的实时检测系统，可在自主勘测和活动报告等 UAV 应用中利用领域特定知识进行空中行人检测和活动识别。

May, 2023

本文提出了使用分割为基础的两阶段方法来检测从其他飞行无人机发射的无人机，通过使用时空注意力线索来确保准确的定位，并以准确性优于其他基线的结果在两个无人机检测数据集上进行了评估。

Mar, 2021

提出了一种实时的多摄像头车辆跟踪系统，能够处理低分辨率的 CCTV 视频流并在交通运输系统中得到实际应用，具有较高的准确性，在 2021 年 NVIDIA AI City 多摄像头跟踪挑战赛中表现优异。

Apr, 2022

提出了一种基于单目视觉的 3D 车辆检测和跟踪的在线框架，并利用 3D 车辆坐标信息和深度匹配对数据进行关联，并设计了一个基于 LSTM 的动作学习模块，以进行更准确的长期运动外推。实验结果表明，该跟踪系统可以提供抗干扰性更强的数据关联和跟踪能力，并且在跟踪 30 米内的行驶车辆方面比基于激光雷达的方法表现更好。

Nov, 2018