本文提出了一种简单、快速而准确的目标检测和跟踪算法 CenterTrack，它可以同时进行检测和跟踪，且在线实时运行，是当前最先进的算法之一。

Apr, 2020

本文提出了使用基于点的方法代替基于盒子的方法进行三维物体的探测、跟踪及定位，并介绍了该方法中的 CenterPoint 框架，该框架检测对象的中心，然后针对其进行其他属性的回归，简化了物体跟踪，最终在 nuScenes 基准测试中达到了 65.5 NDS 和 63.8 AMOTA 的最高性能，同时超过了之前单一模型方法的所有记录，并在所有 Lidar-only 提交中排名第一。

Jun, 2020

通过 EasyTrack 提出一种新的一次性转换器 3D SOT 范例，利用点云跟踪特征预训练模块、统一的 3D 跟踪特征学习和融合网络，以及在密集鸟瞰特征空间中构建的目标定位网络，显著提高了 KITTI、NuScenes 和 Waymo 的性能，并具有较低的参数和高帧率。

Apr, 2024

VoxelNet 是一种针对点云图像检测的深度网络，可以将点云分割成等间距的三维体素，并通过新引入的体素特征编码层将每组点转换为统一的特征表示，从而生成描述性的体积表示，并连接 RPN 以生成检测。

Nov, 2017

本文提出了一种基于 3D 点云数据的 3D-SiamRPN 网络方法，利用两个子网络的特征嵌入子网络和区域建议网络进行单目标跟踪，该方法在 KITTI 数据集和 H3D 数据集上展现出优秀的性能和泛化能力，还能实现实时追踪。

Aug, 2021

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

本文提出了一种基于学习的方法，旨在精确地估计部分被观测对象的三维运动状态，并使用噪声三维点云进行运动估计。该方法比全局三维注册方法表现更优，且更为高效。

Oct, 2019

本篇研究文章提出基于点云的 3D 单目标跟踪的 Transformer 模块 Point-Track-Transformer（PTT），其包含特征嵌入，位置编码和自注意力模块等三个模块，将该模块应用到现有的 P2B 方法上构建出 PTT-Net，并在 KITTI 数据集上实验表明，该模型较现有方法提升了约 10％左右的性能，并实现了实时性能（~40FPS）。

Aug, 2021

本文提出了一种名为 MoNet 的基于运动的神经网络，它将运动特征和内容特征结合起来用于预测未来的点云，以提高自动驾驶中智能汽车对其周围环境的感知和安全性。实验结果表明，该方法具有重要的应用前景。

Nov, 2020

该论文提出了一种名为 P2B 的网络，通过在嵌入了目标信息的 3D 搜索区域中定位潜在的目标中心，执行基于点的 3D 目标候选提议和验证。使用 Hough 投票回归潜在目标中心，利用 PointNet++ 作为骨干网，证明了该方法在 KITTI 跟踪数据集上的优越性。

May, 2020