本研究探讨利用深度学习技术进行视觉品质检测问题，针对工业制造中数据重复性高的情况，提出通过学习数据中的特定缺陷类型来训练检测模型，从而使其更能检测出在新情况下出现的缺陷。同时，研究对泛化的影响，以训练在更广泛的条件下工作的模型。

May, 2023

利用通用化人工智能改进无标签目标场景的多视角 3D 行人检测，通过使用未经训练的检测器的自动标注方法，可以获得比直接使用未经训练检测器或使用现有标记的源数据集训练的检测器更好的结果。在使用 WILDTRACK 和 MultiviewX 作为目标数据集时，MODA 比现有的无标签方法分别提高了 4% 和 1%。

Aug, 2023

提出了一种基于多视图轴自注意力和局部 ROI 自注意力的多路径多表示 3D 物体检测方法，通过稀疏浮动查询和密集 BEV 查询的多重表示进一步提高了性能，对于自动驾驶系统具有重要意义。

Feb, 2023

该研究在计算机视觉领域采用虚拟场景设计与自动图像生成的方法，建立了一个可用于多种计算机视觉任务的虚拟数据集 ParallelEye，并证明了将其与实际数据结合使用可以显著提高模型的性能。同时，该研究还通过测试虚拟数据集的方法发现了已训练模型的缺陷。

Dec, 2017

综述了基于多视图三维物体识别方法在三维分类和检索任务方面的最新进展，聚焦于基于深度学习和基于 Transformer 技术的方法，包括常用的三维数据集、相机配置和视角数量、视角选择策略、预训练卷积神经网络架构、融合策略以及在三维分类和检索任务上的识别性能，同时考察了多视图分类在计算机视觉应用中的各种情况，并凸显了关键发现和未来发展方向。

Apr, 2024

该论文研究了自动驾驶场景下高精度的 3D 物体检测问题。其提出了 Multi-View 3D networks（MV3D）框架，该框架采用多传感器融合技术，将 LIDAR 点云和 RGB 图像作为输入，并预测有方向的 3D 界限框。实验表明，该方法在 3D 定位和 3D 检测任务方面的表现优于现有技术约 25％和 30％，在 2D 检测中也表现出显著的技术优势。

Nov, 2016

本研究介绍了一种基于多视角几何的 3D 物体检测方法 VEDet，通过视点感知和等变性，利用查询式转换器系统将三维场景转化为位置编码来提高目标定位精度，并在损失层面进行多视角一致性规范化，通过丰富的几何线索提高性能以优化现有方法。

Mar, 2023

本文提出了一种利用自动化轨道检测和多任务学习的方法，在铁路道床和紧固件上检测缺陷，以提高铁路轨道检测的精度。

Sep, 2015

本文提出了一个用于室内 3D 物体检测的新型网络框架，能够处理实际场景中可变帧数的输入数据，并通过几何学习器、局部 - 全局特征交互和动态标记策略来增强模型的泛化性能。实验证明，该方法在 ScanNet 数据集上同时实现了良好的泛化能力和高检测准确度。

Oct, 2023

通过与 2D 相机平面结果对齐的方法，本研究提出了一种新颖的多相机三维目标检测方法，确保持一致且准确的检测结果。该方法通过视角校正，将鸟瞰视图特征渲染为多视图地图，并纠正了这些地图的透视偏差，利用隐含的前景体来连接相机与鸟瞰视图平面。该两步过程促进了视角和上下文无关特征的学习，对于准确地检测不同视角、相机参数和环境条件下的目标至关重要。此外，该方法采用基于模型的不可知的方法，而不需要额外的推理成本和对真实场景注释，从而促进了各种模型的无缝集成和简化部署。实验结果在领域泛化和无监督领域自适应方面明确展示了其有效性。

Oct, 2023