通过领域自适应将感知域中的真实场景特征与概念域中的增强场景特征进行关联，提出了一种新的 3D 检测框架，同时引入基于注意力的重加权模块，无需增加推理成本即可利用网络特征增强能力，在 KITTI 3D 检测基准测试中实现了更高的性能。

Aug, 2022

本论文提出了一种名为 PointRCNN 的算法，该算法利用点云进行 3D 物体检测，通过两阶段的底层生成和高水平精细修正，有效地提高了物体检测的准确度，在 KITTI 数据集上取得了优异的性能。

Dec, 2018

本文提出了基于 pillar 的算法模型在 LiDAR 3D 目标检测中的效果以及在架构和训练等方面的现代化设计，通过扩大感受野等方法取得了显著提升，在 Waymo 开放数据集和 nuScenes 数据集上实现了最优性能。

May, 2023

AVOD 是一种用于自动驾驶场景的聚合视图目标检测神经网络，使用 LIDAR 点云和 RGB 图像生成特征来进行准确的 3D 目标检测及分类，实时低内存足迹的优秀表现使其成为自动驾驶部署的合适选择。

Dec, 2017

本文探讨了利用深度学习在 3D 物体检测中，针对使用 RGB-D 数据在室内和室外场景下进行点云识别所面临的挑战以及如何提高效率。通过利用成熟的 2D 物体检测器和先进的 3D 深度学习来提高区域建议与对象本地化的精度，以取得高回收甚至小目标检测的良好性能。在 KITTI 和 SUN RGB-D 3D 检测基准上进行了评估，相比现有技术取得了显著的大幅度升级，并具有实时性能。

Nov, 2017

本文提出了基于局部的数据增强方法，即 PA-AUG，可以更好地利用 3D 标签的丰富信息来增强 3D 物体探测器的性能。该方法可用于所有类型的 KITTI 数据集，具有等效的增加训练数据 2.5 倍的效果，并且对损坏的数据也具有鲁棒性。

Jul, 2020

本研究提出一种新的两阶段方法，其中包括点云完成模块以恢复高质量的点密集提案和整个视图，同时设计了图神经网络模块，实现了全局本地关联机制和多尺度图形的上下文聚合，显著强化编码特征，实验表明，所提出的方法在 KITTI 基准测试中优于之前的基线算法，突出了其有效性。

Dec, 2020

本文提出了一种新颖的点云融合方法，称为点云卷积注意力融合（PACF）模块，并基于此提出了一种 3D 多传感器多任务网络称为点云 - 图像 RCNN（PI-RCNN）。通过图像分割子网络和 PACF 模块融合多种传感器特征，PI-RCNN 在 3D 物体检测方面表现显著。

Nov, 2019

本文提出了一种名为 ZoomNet 的新型框架，同时采用 2D 对象检测模型和自适应缩放模块进行立体图像的 3D 检测，超过了所有以前的最先进方法，并且引入了学习部件位置和 3D 拟合得分来改善对遮挡物的抵抗，且由于 KITTI 基准测试缺少细粒度注释如像素级部件位置，因此我们还提出了我们的 KFG 数据集。

Mar, 2020

介绍了一种无锚点、无 NMS 的 3D 点云目标检测器，使用对象关键点编码 3D 属性实现端到端检测，利用数据增强和点着色以及投影到相机空间和图像感知信息的附加属性来增强性能，并通过模型集成和 TTA 在 3D 检测和域自适应路线上实现了第一名。

Jun, 2020