通过从检测器的主干网络的多个层提取的激活模式组合，我们引入了一种新颖的内省方法来增强完整性监控系统的错误检测性能，从而解决自动驾驶系统中实时操作的要求。

Apr, 2024

这篇论文介绍了一种新颖的方法，通过集成底层深度神经网络的原始激活模式与空间滤波技术，以增强基于 DNN 的 3D 物体检测的运行时自省能力，从而在自主驾驶系统中提高感知自省的安全性和效果。

May, 2024

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

本文综述了自动驾驶技术中感知系统中重要的一环 - 三维物体检测的研究进展以及应用，包括基于激光雷达和基于相机的方法，并分析了各自的优缺点和潜在的应用场景。

Jun, 2022

在现代自动驾驶领域中，感知系统是不可或缺的，它可以准确评估周围环境的状态，从而实现知情预测和规划。本研究重点研究了感知系统的鲁棒性、准确性和延迟性在实际情况下的评估，通过对基于摄像头、LiDAR 和多模态的 3D 物体检测算法进行全面评估，特别是在 KITTI-C 和 nuScenes-C 等数据集上进行公平比较，发现多模态的 3D 检测方法表现出更强的鲁棒性，并引入了一个新的分类系统以提高文献的清晰度。本调查旨在为当前三维物体检测算法在实际应用中的能力和限制提供更实用的视角，从而引导未来的研究朝向鲁棒性为中心的发展。

Jan, 2024

深度学习已经在机器人视觉任务中取得了显著进展，但大多数现有的深度学习方法依赖于传统的计算机视觉流水线中固有的静态推理范例。最近的研究发现，积极感知通过超越这些静态模式来改善各种模型的感知能力。本文提出了一个通用的监督式积极感知流水线，用于目标检测，可以使用现有的现成目标检测器进行训练，同时利用仿真环境的进展。为此，所提出的方法采用了额外的神经网络架构，在目标检测器置信度不足时估计更好的视点。所提出的方法在 Webots 机器人模拟器构建的合成数据集上进行了评估，展示了在两种目标检测情况下其有效性。

Dec, 2023

本文综述了自 2015 年至 2021 年期间针对基于图像的三维物体检测问题的 200 多个研究，并提出了两个新的分类体系来组织现有的最先进的方法，并深入分析了它们的各个组成部分。同时，本文探讨了这个领域的挑战和未来方向。

Feb, 2022

本研究提出了一种深度神经网络自监督热成像网络（SSTN）用于学习特征嵌入来最大化可见光和红外光谱域之间的信息，然后使用多尺度编码器 - 解码器变压器网络进行热物体检测。该研究在 FLIR-ADAS 数据集和 KAIST 多光谱数据集上进行了广泛评估，并展示了所提出方法的有效性。

Mar, 2021

本调查研究了物体检测领域的主要发展现状以及现有典型检测模型的方法和评估数据集，分别分析了一阶段和二阶段检测器的综合概述，并总结了物体检测的传统和新型应用，最后就利用这些物体检测方法构建高效系统的应用建议和发展趋势进行了探讨。

Jul, 2019

提出 Deeply Supervised Object Detectors（DSOD）框架，实现可以从头开始训练的目标检测器。通过 Layer-wise Dense 连接在主干网和预测层之间实现深度监督，DSOD 能在 PASCAL VOC 和 COCO 数据集上取得比现有方法更好的检测结果，并使用更小的模型参数。

Sep, 2018