用自适应几何中心模块构建鉴别性局部几何结构，然后通过几何感知注意机制，探索具有高贡献度的唯一 3D 几何特征，从而不断地学习新类别的 3D 物体。同时，通过分数公平补偿策略，进一步缓解由于过去和新类别的 3D 物体之间的不平衡数据而导致的灾难性遗忘，以弥补新类别的偏差预测。实验验证了该模型的优越性。

Dec, 2020

本论文通过提供离线和在线测试，证明使用深度学习方法进行三维物体识别在开放式领域中更为适用，同时混合手工制作和深度学习方法可以提高分类精度。

Jun, 2023

提出了一种基于图结构和神经网络的方法，能够同时实现旋转、平移、缩放的不变性以及点云稀疏程度的稳健性，此方法在模型识别与检索任务方面，其性能可显著提高。

Feb, 2020

本文提出了一种 3D 物体识别方法，利用 2D-3D 物体提升技术，逐步将对象检测输出增加到对象视点，关键点和 3D 形状估计，并在 Pascal3D + 数据集上同时实现 2D 边界框和视点估计的最佳方法。

Mar, 2015

本篇论文旨在通过两种创新，基于从运动视角观察物体的方式，不需要手动注释，实现学习 3D 物体类别的传统方法。我们的系统基于两种创新：一种是具有鲁棒性的 Siamese 视点因子分解网络，可以对不同的视频进行对齐；另一种是可以从部分观测中提取对象的完整形状的 3D 形状完成网络。我们还演示了配置网络以执行概率预测和几何感知数据增强方案的好处。在公开可用的基准测试中，我们获得了最先进的结果。

May, 2017

通过与 ImageNet 数据集相结合，ImageNet3D 数据集提供了 200 个类别的 2D 和 3D 信息，从而为构建具有更强的通用性目标级三维理解的视觉模型提供了潜力。

Jun, 2024

本文提出了一种用于神经主题建模的终身学习框架，可以连续处理文档集流并通过从多个来源的知识转移积累主题，以更好地处理稀疏数据，并通过新的选择性数据增强、共同训练和主题正则化方法来最小化灾难性遗忘，作者通过建模三个稀疏的文档集任务进行证明其提出的终身神经主题建模（LNTM）框架具有改良的表现。

Jun, 2020

我们提出了一种新的增量 3D 物体检测框架，采用提示引导的方式，通过任务共享的提示机制学习目标定位信息和类别语义信息之间的匹配关系，并通过可靠的蒸馏策略从可靠的模型转移知识，最终在两个基准数据集上表现出优于现有方法的检测性能。

Aug, 2023

该研究提出了一种基于 3D 体素特征的中心点检测方法，其中包括一个有效的粗细重建模块，可从单个 2D 图像中检测和重建多个物体的 3D 位置和形状。

Nov, 2021

本文提出了一种基于稀疏 LSTM 的多帧 3D 对象检测算法，使用 U-Net 风格的稀疏 3D 卷积网络提取每帧 LiDAR 点云的特征，并将这些特征与上一帧的隐藏和记忆特征一起输入到 LSTM 模块中，以预测当前帧中的 3D 对象，同时传递给下一帧的隐藏和记忆特征。实验结果表明，我们的算法在使用更少的内存和每帧计算的情况下优于传统的逐帧方法 7.5％ [email protected] 和其他多帧方法 1.2％ 。据我们所知，这是在稀疏点云中首次使用 LSTM 进行 3D 对象检测的工作。

Jul, 2020