提出了一个针对 3D 点云中未知前景对象（UFO）检测的新问题，该问题是野外自动驾驶中至关重要的技术。通过建立一个包括评估协议、方法论和基准的新的 UFO 检测框架，解决了现有 3D 对象检测器在 3D 定位和超出分布（OOD）检测方面遇到的极大挑战。该框架在 KITTI Misc 基准和额外合成基准上通过四个基线检测器（SECOND、PointPillars、PV-RCNN、PartA2）跨越性能提升了一个较大的幅度，并为未来的野外 UFO 检测工作提供了新的见解。

Jan, 2024

该论文提出了一种基于知识蒸馏的前景物体搜索（FoS）方法，它能够在同一类别的前景中进行 “可替换前景” 的实例级搜索，并且超越了先前的最优结果。

Jul, 2020

本文提出了一种名为 UFO$^2$ 的统一目标检测框架，可以同时处理不同形式的监督学习，包括强监督（如 bounding boxes）和各种形式的部分监督学习（如类别标签、点、涂鸦）和未标记数据。作者通过严格的评估表明，每种形式的标签可以用于从头开始训练模型或进一步改善预训练模型，同时在固定的注释预算下研究各种注释策略，在不需要强标签的情况下可以实现有竞争力的性能。最后，作者还证明了 UFO$^2$ 的泛化能力，可以检测超过 1,000 种不同的物体，而无需 bounding box 标注。

Oct, 2020

从背景入手，在不需要强烈假设对象本身的情况下，提出了一个基于特征检测的模型 FOUND，用于无监督的显著性检测和对象发现，并在这些任务上取得了国际领先的成果。

Dec, 2022

该论文提出了一种新的统一特征优化（UFO）模型，结合多任务学习、网络架构搜索等方法，极大方便模型的灵活部署，在保持大规模预训练精度的基础上，实现了模型体积缩小和预测精度提高。

Jul, 2022

我们研究了从单一图像中推断 3D 物体中心场景表示的方法，并通过分开建模内外在属性来改善现有的无监督学习方法的局限性，使其能够从稀疏的现实世界图像中无监督地学习高保真的物体中心场景表示。

Feb, 2024

一种通过蒸馏复合特征的新型前景对象搜索（DiscoFOS）方法，利用两个编码器提取前景特征和背景特征，并通过与教师网络的复合图像特征匹配来实现前景对象搜索，通过在自己贡献的两个数据集上进行实验证明了该方法的优越性。

Aug, 2023

研究旨在系统研究现有无监督模型在具有挑战性的真实世界图像上的有效性，发现现有无监督模型在真实世界图像中很难分割普通物体，因为现有模型所引入的归纳偏差难以捕捉不同目标的分布。未来的工作应该在网络设计中更充分地利用显式的目标偏差。

Dec, 2023

本文针对对象发现这一问题，通过选择动态对象并使用自编码器提取图像特征并加入来自运动分割的弱学习信号，成功地从复杂场景中分离出运动和静止的动态对象，相较于其它抽象特征的方法在 KITTI 数据集上有更好的表现。

Mar, 2022

本研究致力于解决视觉数据无监督学习中的目标检测问题，使用包含深度神经网络的学生路径来训练模型，该模型可以在测试时明显优于无监督视频发现教师，并在 YouTube 视频数据集和目标发现数据集等基准测试中取得了最先进的结果，测试时比其他方法至少快两个数量级。

Mar, 2017