本文提出了一种名为 UFO$^2$ 的统一目标检测框架，可以同时处理不同形式的监督学习，包括强监督（如 bounding boxes）和各种形式的部分监督学习（如类别标签、点、涂鸦）和未标记数据。作者通过严格的评估表明，每种形式的标签可以用于从头开始训练模型或进一步改善预训练模型，同时在固定的注释预算下研究各种注释策略，在不需要强标签的情况下可以实现有竞争力的性能。最后，作者还证明了 UFO$^2$ 的泛化能力，可以检测超过 1,000 种不同的物体，而无需 bounding box 标注。

Oct, 2020

本文提出了一种解决图像编辑中寻找前景对象的技术 —— 无约束前景物体搜索，并介绍了一种支持通过将背景图像与前景对象进行编码来进行高效搜索的解决方案。通过创建具有不同语义类别的多个前景对象的大型训练数据集，我们的无约束前景物体搜索解决方案优于相关基线，这在两个不同的数据集上进行了定量和人类感知实验的证实。

Aug, 2019

利用合成的离群对象数据生成特征图以对未知物体进行检测并使用多层感知器分类，从而有效处理自动驾驶中的风险和可靠性问题。

Apr, 2024

本文着重于构建一个针对复杂场景的无人机基准测试数据集，并对基准测试集中的物体检测、单目标跟踪和多目标跟踪进行了详细的定量分析，实验结果表明目前最先进的方法在这个数据集上的表现相对较差，给出了这一问题的多方面解决方案。

Mar, 2018

我们研究在自动驾驶场景中从 3D 点云中进行无监督对象检测的问题，提出了一种简单而有效的方法，利用点聚类、时间一致性、CNN 的平移等性质以及自我监督来改进无监督检测算法，通过在非相近区域进行自动标记扩展到远距离，从而实现了零 - shot 方式的对象检测，能够在稀疏、远距离区域进行检测，同时在更多迭代自我训练的过程中不断改进。我们提出了基于碰撞距离的新的规划感知度量来更好地衡量模型在自动驾驶场景中的性能。我们在 PandaSet 和 Argoverse 2 Sensor 数据集上展示了我们的无监督对象检测器显著优于无监督基线的性能，证明了自我监督与对象先验相结合可以实现野外对象发现的潜力。

Nov, 2023

提出了一种基于回归的运动稳定方法，旨在检测被拍摄的机动飞行器在复杂背景中移动的情况，该方法在运动与外观两方面共同作用下可以对比先进技术更有效地运用时空图像块进行分类，并通过收集两个具有挑战性的数据集为飞行物体检测和视觉引导式避碰创建基准。

Nov, 2014

本文提出了一种基于特征提取的方法，用于检测 LiDAR-based 3D 物体检测中的异常输入，并通过使用 KITTI 数据集的实验结果表明不同的基于异常检测的方法对于不同输入的检测存在偏差，因此更多的综合方法和研究方向是必要的。

Sep, 2022

该论文提出了一种新的统一特征优化（UFO）模型，结合多任务学习、网络架构搜索等方法，极大方便模型的灵活部署，在保持大规模预训练精度的基础上，实现了模型体积缩小和预测精度提高。

Jul, 2022

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

本文提出了一种利用元数据和相关无人机图像来学习领域鲁棒特征的对抗训练框架 —— 干扰解缠特征转换（NDFT）算法，以解决无人机图像中目标检测的具体挑战问题，实现了在两个现有基于无人机的目标检测基准测试上的最新性能。

Aug, 2019