本研究提出了 part-aware sampling 方法，利用人类直观感知对象之间的层次关系，解决 Open Images Dataset 数据集不完整的问题，并在 Google AI Open Images 竞赛 2018 中获得了第一和第二名。

Nov, 2018

该研究报告介绍了我们的方法，该方法利用稀疏 3D 卷积提取丰富的语义特征，并将其输入到一个类平衡的多头网络中进行三维物体检测。通过我们设计的样本策略，可以在自动驾驶场景中处理严重的类别不平衡问题，并且在 nuScenes 数据集上，我们通过平衡分类组头进一步提高了性能。在 nuScenes3D Detection Challenge（WAD，CVPR 2019）中，我们的方法优于 PointPillars [14] 基线，在所有指标上取得了最新的检测性能。

Aug, 2019

该论文提出了一种基于终端到终端的 CNN 模型，其使用稀疏的分布估计方案 —— 定向稀疏采样，并对模型进行了场景自适应优化，具有实时评估率和较高的精度，尤其针对细粒度对象具有更大的 regions-of-interest 集合。

Mar, 2017

本研究首次研究了 Dropout Sampling 在目标检测中的应用，通过从先进的目标检测系统中提取标签不确定性，利用 Dropout Sampling 网络实现了在机器人视觉中通常遇到的开放条件下的目标检测性能的提高，实现了召回率增加 12.3％（与标准网络相同的精度得分）和精度增加 15.1％（与标准网络相同的召回得分）。

Oct, 2017

本文旨在填补 3D 对象检测在自动驾驶中的知识空白，综述了相关领域的传感器、数据集、性能度量以及最新的检测方法，分析了其优劣，并进行了定量比较和案例研究，最后总结了研究成果和未来发展方向。

Jun, 2021

本文对近十年来 3D 物体检测领域涉及的输入数据、数据表示、特征提取和实际检测模块等全流程进行了全面的调研，系统化分类并给出相应的实用框架。

Jan, 2022

本文介绍了一种名为 PERCH 的算法，它通过产生可能性场景，寻找最佳的传感器数据解释，解决了多物体识别和定位任务中常见的遮挡问题，并在实际 RGB-D 测试数据上验证了其优越性。

Oct, 2015

使用 Coreset Selection for Object Detection (CSOD) 方法，在考虑代表性和多样性的前提下，选择一小部分具有代表性和多样性的图像，以提高目标检测的准确性。

Apr, 2024

通过训练一个鲁棒的单目三维物体检测模型，采用包括多样化的三维和二维数据集、有选择地训练不同类别注释的数据集和使用二维标签的伪三维训练方法，我们可以获得具有强大泛化能力和对只有二维标签的新数据集表现出色的模型。

Oct, 2023

在自动驾驶数据集中，采用主动学习策略可以解决数据不平衡、冗余和高维数据的挑战。我们展示了使用信息熵查询来选择信息丰富的样本，旨在降低注释成本和提高模型性能的有效性。我们在 nuScenes 数据集上使用 BEVFusion 模型进行了实验，将主动学习与随机抽样进行比较，并证明信息熵查询在大多数案例中表现优异。该方法在减少多数类和少数类之间的性能差距方面特别有效。类别特定的分析揭示了对有限数据预算进行注释资源的有效配置，强调选择多样性和信息丰富的数据用于模型训练的重要性。我们的发现表明，在资源受限的环境中，信息熵查询是选择增强模型学习的数据的一种有前途的策略。

Jan, 2024