通过 Ego-Centric Intersection-over-Union (EC-IoU) 度量，提出一种面向安全的目标检测方法，以解决在自动驾驶等安全关键领域使用先进学习感知模型时的实际问题。在 KITTI 数据集上的实验结果表明，基于 EC-IoU 训练的模型在平均准确率方面优于基于 IoU 训练的变体。

Mar, 2024

通过结合 IoGT 指标和距离比率，该论文提出了一种直接的安全度量，特别适用于自动驾驶场景下的三维物体检测器，并将 IoGT 改进为常用精度导向的损失函数，实验证明使用该损失函数训练的目标检测器显著降低了不安全预测率，同时保持良好性能和稳定性。

Sep, 2022

通过引入 SS3D 方法，成功在单目图像中实现三维物体检测，并通过建模异方差性提高了基准性能。该方法在保持简洁的同时，达到了当前状态下最高的检测精度，是实现自主驾驶等领域高性能检测的可靠框架。

Jun, 2019

在自动驾驶领域，准确和全面地感知三维环境至关重要。本文提出了一种名为 SOGDet 的新方法，它利用三维语义占用分支来改善三维物体检测的准确性，通过综合视角建模物理上下文，实现了对三维环境的更全面感知。实验证明，SOGDet 提高了三种基线方法在 nuScenes 数据集上的性能，从而有助于构建更强大的自动驾驶系统。

Aug, 2023

本文提出了一种针对自动驾驶车辆 3D 物体检测任务的新型两阶段 3D 物体检测方法，通过深度卷积神经网络回归两个额外的 3D 物体属性并与二维和三维框之间的级联几何约束相结合，旨在获取 3D 空间中物体位置的最佳解。

Sep, 2019

本文提出了一种名为 SGM3D 的新方法，通过引入多粒度域自适应和基于 IoU 匹配的对齐方法，将立体 3D 特征适应到单眼检测中，显著提高了检测性能。实验证明，该方法在 KITTI 和 Lyft 数据集上取得了最先进的结果。

Dec, 2021

本文提出了一种基于单个 RGB 图像的高效三维目标检测框架，旨在从二维图像中提取三维信息并在无点云或立体数据的情况下确定对象的精确三维边界框。该方法利用二维目标检测器提取表面视觉特征，消除使用二维边界框带来的表征歧义问题，并探索了不同的三维边界框细化方法，发现基于质量感知损失的分类式方法具有更好的性能。在 KITTI 基准测试上，该方法优于当前单个 RGB 图像基础的三维目标检测技术水平。

Mar, 2019

本文提出了一种新的基于几何学的距离分解方法，将物体的距离分解成最具代表性和稳定性的变量，即物理高度和在图像平面上的投影视高度，通过对距离分解，实现了 3D 边界框的直接预测，并在 KITTI 数据集上表现出最先进的性能。

Apr, 2021

提出了一种基于线性运动的单目视频三维物体检测方法，该方法通过将物体方向分解为两个部分并引入自平衡的三维置信度方法，有效地提高了三维定位精度，同时在 KITTI 自动驾驶数据集上取得了最好的表现。

Jul, 2020

该研究提出了一种新的统一框架，将单眼 RGB 图像中的目标检测问题分解为结构化多边形预测任务和深度恢复任务，并使用对象高度先验进行反向投影变换，进一步纠正 3D 检测结果并取得了最先进的检测准确度。

Feb, 2020