本研究提出了一种名为 Point2Sequence 的新型深度学习模型，用于学习 3D 形状特征，通过一种新颖的隐式方法捕捉了区域内的细粒度上下文信息， Point2Sequence 采用点云的新颖序列学习模型，通过注意力归纳局部区域的多尺度范围来捕获相关性，实验结果在形状分类和分割任务中取得了最优表现。

Nov, 2018

SeqTrack3D 是一种基于 Sequence-to-Sequence 追踪范式的 3D 单目标追踪器，通过结合历史点云和边界框序列以确保鲁棒追踪，即使在稀疏点场景中也能利用历史边界框位置先验知识。在大规模数据集上的广泛实验表明，SeqTrack3D 实现了最新的最佳性能，NuScenes 上提高了 6.00％，Waymo 数据集提高了 14.13％。

Feb, 2024

本文提出了一种使用点云序列数据的离线三维对象检测方法，通过多帧对象检测和新颖的对象中心细化模型利用时间点，实现了高质量的自动化三维对象标注，比当前先进的在线检测器表现更优秀，甚至接近人类标注。

Mar, 2021

本文提出了一种名为 P2D 的新型三维物体检测模型，它将预测方案整合到检测框架中，显式提取和利用运动特征，以及引入基于预测物体信息的 Bird's-Eye-View（BEV）特征的新型时间特征聚合方法，结果表明，与基线相比，P2D 可以显著提高检测精度。

Jun, 2023

Pix2Seq 是一种简单且通用的目标检测框架，不同于现有的方法，它将目标检测视为一种基于观察像素输入的语言建模任务，并通过训练神经网络来感知图像并生成所需的序列，与高度专业化和精心优化的检测算法相比，在具有挑战性的 COCO 数据集上实现了有竞争力的结果

Sep, 2021

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

Object2Scene 和 L3Det 是用于开放词汇 3D 物体检测的首个方法，通过引入大规模的 3D 物体数据集，将物体插入到 3D 场景中来丰富 3D 场景数据集的词汇，并在不同数据集的 3D 对象之间缓解领域差异，并证实了其在 OV-ScanNet-200 基准测试中的有效性。

Sep, 2023

本文提出了一种新的三维物体检测结构，该结构可以编码由多个连续扫描获取的 LiDAR 点云序列，并利用时空上下文实现较大的性能提升。通过短期运动感知体素编码和长期运动指导俯视图特征增强，可以对点云序列进行编码处理，结果显示，与基线方法相比，该模型在性能上显示出明显优越性，在某些三维检测类别方面表现出了最先进的性能。

Dec, 2022

本研究提出了一个有效而轻量化的点云序列模型，能够在 3D 动作识别方面实现较高的准确性和效率，主要包括点云序列数据扁平化和超点序列混合等方法。实验证明，该模型在速度和效果方面均优于现有模型。

Nov, 2021

MS$^{2}$3D 是一个两阶段的三维检测框架，利用小尺寸的体素提取细粒度的局部特征和大尺寸的体素捕捉长程局部特征，通过多尺度语义特征点构建三维特征层并计算特征点与目标质心的偏移，以提高特征聚合的效率，在 KITTI 数据集和 ONCE 数据集上验证了该方法的有效性。

Aug, 2023