通过稀疏编码器与稀疏实例识别（SIR）模块，提出了一种全稀疏三维目标检测器（FSD），该方法可以在自动驾驶的远距离感知任务中实现高效的检测，具有状态 - of-the-art 性能并且比密集对应物快 2.4 倍。

Jul, 2022

提出了一种基于稀疏查询的 SparseDet 稀疏三维物体检测方法，通过局部多尺度特征聚合模块和全局特征聚合模块，完整地捕捉了上下文信息，提高了代理物体表达能力。实验结果在 nuScenes 和 KITTI 上验证了该方法的有效性。

Jun, 2024

本文研究如何在全稀疏架构中有效利用图像模态，并利用实例查询将 2D 实例分割与 3D 实例分割部分并行集成到 LiDAR 侧，从而实现了统一的基于查询的 2D 和 3D 融合框架，同时保持全稀疏特性。广泛的实验证明了在广泛使用的 nuScenes 数据集和长距离 Argoverse 2 数据集上的最先进性能。值得注意的是，所提出的方法在长距离 LiDAR 感知设置下的推理速度比其他最先进的多模式 3D 检测方法快 2.7 倍。

Apr, 2023

在自动驾驶系统中，使用新的 LiDAR 可以实现更大的检测范围，但需要更高效准确的检测模型，因此提出了 Range Sparse Net (RSN)，使用稀疏卷积在所选的前景点上检测物体，并综合范围图像特征提高检测准确性，RSN 在 WOD 数据集上可以较快地运行，同时比先前发布的检测器更准确。

Jun, 2021

文章提出了一种基于卷积神经网络的稀疏数据三维物体检测方法，称为 Generative Sparse Detection Network (GSDN)，该方法将稀疏的数据集扩展成支持物体检测的密集数据，该方法在三个 3D 室内数据集上进行验证，取得了 7.14% 的相对改进，而且比最佳前期工作快了 3.78 倍。

Jun, 2020

该研究论文提出了在自动驾驶感知系统中进行 3D 检测和跟踪的两个基本任务，并引入了两个辅助训练任务（时间实例去噪和质量估计）以及提出了解耦的注意力机制来进行结构上的改进，从而显著提高了检测性能。此外，我们还使用一种直接的方法将检测器扩展为跟踪器，在推断过程中分配实例 ID，进一步突显了基于查询的算法的优势。在 nuScenes 基准测试上进行了大量实验，验证了所提出改进的有效性。在以 ResNet50 为主干网络的情况下，我们观察到 mAP、NDS 和 AMOTA 分别提高了 3.0％、2.2％和 7.6％，分别达到了 46.9％、56.1％和 49.0％。我们的最佳模型在 nuScenes 测试集上达到了 71.9％的 NDS 和 67.7％的 AMOTA。代码将在 https://github.com/linxuewu/Sparse4D 上发布。

Nov, 2023

本研究提出了一种名为 FSDNet 的火灾烟雾检测网络，使用了 CIoU 损失函数和 MS-FS 数据集，并在基本特征提取模块中引入了密集连接结构，以增强骨干网的特征提取能力和缓解梯度消失问题，并在火灾检测模块中引入了空间金字塔池化结构来全面提高火焰特征提取能力。实验结果表明，该方法在两个基准数据集上的精度分别为 99.82％和 91.15％，在 MS-FS 数据集上的平均精度为 86.80％比主流的火灾检测方法更好。

Apr, 2023

本文提出了 SparseDet 这一端到端的基于点云的三维物体检测算法，通过固定数量的可学习建议来代表潜在候选框，并使用堆叠的 transformers 直接进行三维物体的分类和定位，且无需后处理步骤，相比传统方法具有更高的效率和准确率。

Jun, 2022

基于多传感器融合和局部特征注意力模块，本文提出了 FADet，一种用于自动驾驶任务的多传感器 3D 检测网络，能够在相机、LiDAR 和雷达输入下的长尾和复杂场景中实现有效的目标检测结果，并在 LiDAR - 相机和雷达 - 相机目标检测任务上达到了最先进的性能。

May, 2024

3D 目标检测中，稀疏的点云数据分布是一项主要挑战，我们提出了 HEDNet，一种利用编码 - 解码网络来捕捉特征间的长距离依赖关系的方法，对于大型和远处物体具有优越的检测准确性和高效性。

Oct, 2023