通过 SpotNet 方法，结合 LiDAR 传感器融合 2D 和 3D 检测任务，实现稀疏 LiDAR 支持下准确的远距离 3D 目标检测，并且能够在不重新训练的情况下将检测结果从 2MP 分辨率图像转移到 8MP 分辨率图像上。

May, 2024

提出了一种基于稀疏特征图的关注模块的单级无 Anchor 3D 对象检测方法，通过将基于体素的稀疏 3D 特征数据转换为稀疏 2D 特征图，直接从增强和稠密的 2D 特征映射中回归出 3D 边界框，并进一步提出了一种基于 IoU 的检测置信度重新校准方案，最终可用于点云数据的目标检测。

Aug, 2021

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

本文提出了一个名为 StarNet 的基于点云的物体检测系统，利用了点云数据稀疏和三维特征的优点，采用采样策略和数据依赖的 anchors，相比传统卷积方法能够更加灵活和高效地检测道路上行人和其他物体。同时，该系统还可以通过利用时间序列信息和利用先验信息和启发式算法精准地定位需要检测的区域。实验表明，StarNet 相比于传统卷积基线具有更好的检测表现，并且可以在不重新训练的情况下根据需求灵活控制计算成本。

Aug, 2019

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

本文提出了一种基于点云的体素表示方法 FCAF3D，该方法利用稀疏卷积处理体素，可以在单个全卷积正向传递过程中快速处理大规模场景；同时，通过提出新的物体边界框参数化方式，消除了现有方法中对物体几何的先验假设，提高了方法的数据驱动性。在 ScanNet V2、SUN RGB-D 和 S3DIS 等数据集上，该方法在 [email protected] 指标上均取得了当下最优结果。

Dec, 2021

通过从视频中直接学习人类物体交互 ' 热点 ' 的方法，我们的研究表明弱监督的热点可以与强监督的 affordance 方法竞争，并能够预测新对象类别的对象交互。

Dec, 2018

提出了一种名为 AFDet 的基于 CNN 加速器或 GPU 的单阶段检测器，避免了基于锚点的检测方法中后处理复杂且计算代价高、锚点参数调整困难的问题。在 KITTI 和 Waymo 数据集验证集上表现良好。

Jun, 2020

H3DNet 是一个用于物体检测和识别的卷积神经网络，通过预测一组混合的几何图元，即 BB 中心，BB 面中心和 BB 边缘中心以实现更准确的物体边界框检测，并利用匹配和细化模块将物体边界框分类为检测到的对象并对其几何参数进行微调。

Jun, 2020

本文介绍了一种新的基于 anchor point 的 anchor-free 检测方法，提出了一种解决训练问题的简单而有效的训练策略，并开发了一种名为 Soft Anchor-Point Detector 的单阶段 anchor-free 检测器，超越了最近的最先进的 anchor-free 和 anchor-based 检测器。

Nov, 2019