本文介绍了一种基于 YOLOv4 的计算机视觉算法，可以快速准确地检测无人机航拍图像中的目标物体，可应用于实时监测等领域。

Mar, 2022

未来的智能车辆必须能够理解并安全地穿行其周围环境。基于摄像头的车载系统可以使用关键点和物体作为 GNSS 无关的 SLAM 和视觉里程计的低级和高级地标。为此，我们提出了 YOLOPoint，一种将 YOLOv5 和 SuperPoint 结合起来，在图像中同时检测关键点和物体的卷积神经网络模型，通过使用共享骨干和轻量级网络结构，YOLOPoint 在 HPatches 和 KITTI 基准测试上表现出了竞争力。

Feb, 2024

研究提出了一种新的实时目标检测算法 YOLO-Drone，应用于两种新的无人机平台和特定光源，在 UAVDT 和 VisDrone 两个基准数据集以及夜间采集的自制数据集中表现优于现有的状态 - of-the-art 方法，并且在硅基金光 LED 下的性能表现明显优于普通光源，证明了该算法对无人机领域中的目标检测特别是夜间检测任务具有高效的解决方案。

Apr, 2023

本文提出了一种基于街景图像的自动检测并计算感兴趣的重复固定对象的 GPS 坐标的方法，使用两个全卷积神经网络进行处理并使用一种新颖的自定义马尔可夫随机场模型进行三角化，实验证明了本方法的有效性。

Aug, 2017

通过研究路面对 3D 检测提供的额外信息，提出了一种嵌入式神经网络，能够充分利用这些应用程序特定的先验知识，从而实现使用单个 RGB 摄像机确定环境中对象的位置和方向的三维目标检测。

Feb, 2021

本文介绍了一种新的标注方法，将人类监督与预训练的神经网络相结合，生成每个实例的三维点云分割，三维边界框和类别注释，以减少训练自动驾驶的 3D 物体检测器所需的任务复杂性和注释人员所需的任务切换量，实验结果表明，该方法相比传统方法减少了 30 倍人工标注时间。

Jul, 2018

通过建立在 CenterNet 上的高效和有效的框架 YOLC，我们引入了局部尺度模块（LSM）来解决处理大规模图像和非均匀目标分布时的挑战，通过使用高斯 Wasserstein 距离（GWD）修改回归损失以获得高质量边界框，并在检测头部使用可变形卷积和改进方法来增强对小目标的检测。我们在 Visdrone2019 和 UAVDT 等两个航拍图像数据集上进行了大量实验，证明了我们提出的方法的有效性和优越性。

Apr, 2024

通过使用粗略标签和无标签雷达点云伪标签，LPCG 可以在自动驾驶系统中显著降低标注成本或显著提高检测准确性，在 KITTI 基准测试和 Waymo 基准测试中都取得了很好的效果。

Apr, 2021

本文提出了一种基于自适应点学习的方法来检测非轴对齐的空中目标，该方法采用自适应点表示法来捕捉任意方向实例的几何信息，并结合三种有向转换函数以及有效的质量评估和样本分配方案，使用空间约束惩罚离群点进行自适应学习，实验结果表明我们的方法在四个具有挑战性的空中数据集上表现良好。

May, 2021

本文提出了一种使用基于关键点估计网络的下向方法进行目标检测的算法，我们只需检测每个对象的最高、最左、最下、最右以及中心五个极点，并且如果这些点在几何上对齐，则将其分组为一个边界框，从而避免了区域分类或隐式特征学习，此算法表现出了与基于区域的检测算法相当的性能。

Jan, 2019