本文提出了 LaserNet，一种 3D 物体检测的计算有效方法，它通过在传感器的本地范围视图中处理 LiDAR 数据来提高效率，并使用全卷积网络来预测每个点的 3D 框的多模式分布，然后高效地融合这些分布以生成每个对象的预测，实验证明这种方法比其他方法具有显著更低的运行时间，并且在大型数据集上具有比其他检测器更好的性能。

Mar, 2019

本文介绍了如何利用全卷积网络技术实现在 3D 距离扫描数据上进行车辆检测任务。文章中利用单个 2D 全卷积网络同时预测目标置信度和边界框，并通过精心设计边界框编码，即可利用 2D 卷积网络预测完整的 3D 边界框。在 KITTI 数据集上的实验证明了该方法在车辆检测方面具有最新的性能。

Aug, 2016

本文提出了一个新颖的 3D 物体检测框架，可直接处理 LiDAR 原始数据；利用稠密的测距图像，通过 2D 卷积方法高效处理数据，并使用新的 range-conditioned dilation (RCD) 层根据量测距离动态调整连续膨胀率，进一步提高了检测的精度。结合 3D bounding box 细化步骤能够更好地应对遮挡区域，在 Waymo Open 数据集上表现优异，创下了新的基准。

May, 2020

该论文提出了一种利用 3D 卷积网络进行 LiDAR 语义分割、全景分割和 3D 检测的新框架，其中采用了柱状分割和非对称 3D 卷积网络来探索 3D 几何模式，该模型在 SemanticKITTI，nuScenes 和 A2D2 上的结果均表现出最先进的性能并在分割和检测任务中显示出很好的泛化性能。

Sep, 2021

该论文提出了一种新的框架，使用圆柱形分区和不对称 3D 卷积网络来探索 3D 几何模式，并引入点智能精炼模块以减轻损失体素标签编码的干扰；测试表明，该方法在 SemanticKITTI 和 nuScenes 数据集上超过现有方法，排名第一并且较现有方法提高了约 4％。

Nov, 2020

基于 LiDAR 的 3D 检测在自动导航中起着至关重要的作用。本文通过对长距离检测数据集 Argoverse 2.0 的经验性分析，揭示了近场和远场 3D 检测的不同特征，并提出了一种基于集成模型的有效技术，使长距离检测的效率提高了 33%，准确性提高了 3.2% CDS。

Aug, 2023

无人驾驶车辆中的目标检测与跟踪任务主要依靠相机和 LiDAR 等多种传感器，本研究在使用 LiDAR 点云的新编码方式基础上，通过推断自动驾驶车辆附近不同类别物体的位置，实现了对场景中物体位置和方向的预测。

Dec, 2023

本论文介绍了一种利用提升式激光雷达（LiDAR）传感器的能力，通过转变交通场景中的三维物体检测和分析的框架来改善在城市环境中的三维物体检测能力。利用模拟器生成三维点云数据集，通过训练和评估三维物体检测模型，准确识别和监测模拟城市交通环境中的车辆和行人。针对由模拟交通生成的大量点云数据，优化了基于点体素区域的卷积神经网络（PV-RCNN）架构，提升了其处理和理解能力。实验结果表明所提出的解决方案在准确检测交通场景中的物体方面的有效性，并强调了激光雷达对提升城市安全和推动智能交通系统的作用。

May, 2024

本研究提出了一种利用分割信息指导检测过程的多任务框架，该框架联合执行三维物体检测和全景分割，可利用多视角信息解决每个投影视图的缺陷，并通过前景语义信息和中心密度热力图来提示物体的可能框中心位置。在 nuScenes 数据集上进行的大量实验表明，该方法提供了显著的性能提升，基于单级 CenterPoint 3D 物体检测网络的所提出方法在 nuScenes 3D 检测基准上取得了 67.3 NDS 的最新性能。

Mar, 2022

该研究提出了一种基于 2D 透视范围图像的卷积神经网络架构方法，可用于直接从范围图像视图学习 3D 表示。通过利用本地几何和跨模态融合处理，该方法在行人检测方面的 AP 从 69.7％提高到 75.5％，同时模型参数和操作速度均表现良好。

Jun, 2021