本文提出了一个名为 StarNet 的基于点云的物体检测系统，利用了点云数据稀疏和三维特征的优点，采用采样策略和数据依赖的 anchors，相比传统卷积方法能够更加灵活和高效地检测道路上行人和其他物体。同时，该系统还可以通过利用时间序列信息和利用先验信息和启发式算法精准地定位需要检测的区域。实验表明，StarNet 相比于传统卷积基线具有更好的检测表现，并且可以在不重新训练的情况下根据需求灵活控制计算成本。

Aug, 2019

我们介绍了 “X-STARS” 的远程感知数据的跨传感器自监督训练和对齐方法，通过设计多传感器对齐稠密损失（MSAD）来对齐不同分辨率的传感器所表示的数据，从而提高模型在各种数据可用性和分辨率条件下的性能。

May, 2024

使用卷积神经网络（CNN）的星空追踪器算法，通过模拟星像覆盖真实噪声和杂光，并结合像素坐标信息进行质心计算，解决高噪声和杂光干扰下的星点检测与定位问题，具有较高准确性和优秀的抗干扰能力。此外，该算法可在低功耗边缘 AI 处理器上实时执行。

Apr, 2024

该研究论文提出了一种新的相机 - 雷达融合系统 RadSegNet，通过独立信息提取的设计哲学，从根本上解决了现有系统在极端天气下的性能劣化，提高了自主驾驶汽车在恶劣天气条件下的工作效率。

Aug, 2022

本文提出了一种新颖的 Hierarchical Disentanglement-Alignment Network（HDANet）方法，通过数据对齐框架增强了特征的因果性和鲁棒性，展现了在多种 SAR 的目标和环境变量中的高鲁棒性。

Apr, 2023

基于生成对抗网络和自注意力机制的无监督深度学习异常检测系统，在考虑了本地子序列中包含的不同特征信息的基础上，自动学习环境传感器变量之间的复杂线性和非线性依赖关系，利用重构误差和判别误差的异常得分计算方法，可以高实时性地监测实际传感器数据的异常点，适用于智能卫星物联网系统。大多数情况下，异常检测优于基准方法，具有很好的可解释性，可用于监测环境传感器，预防工业事故和网络攻击。

Mar, 2024

提出了一种自适应消除模糊性的 STAR（Self-adaptive Ambiguity Reduction）loss 方法，通过利用预测分布的性质来解决面部关键点检测中的语义模糊问题，并且此方法在 COFW，300W 和 WFLW 的三个基准测试中优于现有最先进的方法。

Jun, 2023

通过 SpotNet 方法，结合 LiDAR 传感器融合 2D 和 3D 检测任务，实现稀疏 LiDAR 支持下准确的远距离 3D 目标检测，并且能够在不重新训练的情况下将检测结果从 2MP 分辨率图像转移到 8MP 分辨率图像上。

May, 2024

基于神经网络的时间序列数据的鲁棒性验证方法的案例研究，重点强调噪音对未来结果的影响，以及在真实应用中验证和验证基于神经网络的时间序列数据分析的重要性。

Jul, 2023

提出了一种基于 Deep Attention Recognition 的解决方案，通过认证的 UAV 中嵌入一个小型的深度网络，用可观测参数 SINR 和 RSSI 识别 Line-of-Sight (LoS)，Non-Line-of-Sight (NLoS) 情况下的攻击，并提出数据操作和多数投票技术来补充深度网络决策，探讨了 LSTM 和 Attention 层的影响以及数据不足情况下的精度测试，最后标准分类器测试表明，该算法精度在 LoS 和短距离 NLoS 条件下均高于 XGB 分类器。

Mar, 2023