本文提出了一种利用多个相关任务进行准确多传感器 3D 目标检测的方法，并展示了一种全面的可学习体系结构，用于推理 2D 和 3D 目标检测以及地面估计和深度完成，在各个层面上融合信息有助于学习更好的表示。 实验表明，所有这些任务是互补的，可以在保持实时性的同时，在 2D、3D 和 BEV 目标检测方面领先 KITTI 基准。

Dec, 2020

提出了一种无与伦比的基于相机的多 UAV 协同三维物体检测范式 UCDNet，通过显式利用 UAV 到地面的深度信息作为强先验，为更准确和可推广的特征映射提供参考。此外，设计了一种同质点几何一致性损失作为辅助自监督方法，直接影响特征映射模块，从而增强多视角感知的全局一致性。在 AeroCollab3D 和 CoPerception-UAVs 数据集上的实验结果表明，与基准方法相比，我们的方法分别提高了 4.7％和 10％的 mAP，证明了 UCDNet 的优越性。

Jun, 2024

使用光学传感器进行无人机的检测、跟踪和距离估计，通过深度学习框架、目标检测模块、跟踪模块和深度估计模块实现全自主飞行和高级空中流动的无人机。

May, 2024

本文提出了一种新的端到端模型，以 RGB 和稀疏深度为输入，联合执行语义分割和深度完成，通过实验表明将语义分割和深度完成结合在一个多任务网络中可以有效提高每个任务的性能。

Sep, 2022

为了解决真实世界航空数据集的稀缺性问题，以及针对薄物体在航空视图中的检测和分割带来的关键问题，我们提出了一个新颖的合成数据集，专为航空视图中的深度和语义分割任务而设计。利用照片逼真的渲染技术，我们的数据集为使用合成监督训练方案训练模型提供了宝贵的资源，同时引入了新的针对航空深度准确性的无人机特定度量标准。

Dec, 2023

该研究提出了一种使用 LIDAR 和单目相机来感知航天器三维结构，并使用 Spacecraft Depth Completion Network (SDCNet) 来重建密集深度图的方法，其中 SDCNet 将物体级别的航天器深度完成任务分解为前景分割子任务和前景深度完成子任务，从而避免了背景干扰前景航天器深度完成。通过在大规模的卫星深度完成数据集上进行实验，SDCNet 取得了比现有方法更好的成果，也完成了航天器的姿态估计实验。

Aug, 2022

本文研究了利用神经网络框架综合分析航空或卫星图像，并展示了其在多任务学习和模型预测不确定性方面的优势。

Nov, 2019

动态调整深度补全模型以适应不同的传感器类型，从而实现适应性 LiDAR 深度补全，提供更准确可靠的深度图，并在多种 LiDAR 扫描模式上展示了显著优势。

Jul, 2023

本文提出了一种基于多任务学习的方法，能够联合进行几何和语义场景理解，包括单眼深度估计、深度补全和语义场景分割，通过一个时间上连续受限的循环网络，利用一系列复杂的跳跃连接、对抗性训练和顺序帧重复的时间限制同时产生一致的深度和语义类标签，大量实验评估表明相比其他当代最先进的技术，本方法的有效性。

Mar, 2019

提出一个利用多模态传感器融合的方法，能够在一个已知环境中，通过理解该环境搭配环境地图，准确地检测和定位预设物体和障碍物，并相比于单一的传感器能够更准确地检测远处和近处的障碍物。

Jul, 2023