自动驾驶中高效有效的三维目标检测的跨聚类转移
本文提出一种名为 3DSSD 的轻量级且高效的基于点云的三维单级物体检测器，采用了融合采样策略以及候选生成层、无锚点回归头、三维中心性分配策略的结构设计，其精度和速度都表现出很好的平衡，并且在 KITTI 和 nuScenes 数据集上取得了比同类方法显著更好的性能。
Feb, 2020
该论文介绍了一种基于体元和投影双分支特征提取的 3D 目标检测器，以解决信息丢失的问题。通过融合具有丰富局部语义信息的体元特征和投影特征，该方法在特征提取阶段减少了由投影引起的局部信息丢失，并在比较实验中取得了良好的性能。
Aug, 2023
提出了一种半监督领域自适应方法，名为 “SSDA3D”，包括两个阶段的 Point-CutMix 模块和 Intra-domain Generalization，很好地解决了不同 LiDAR 配置、城市和天气等领域间偏移问题，不依赖于大量标注数据，在只有 10％目标数据标注的情况下，可以超过 100％目标标签的完全监督模型。
Dec, 2022
本文提出了 Dynamic Shifting Network (DS-Net)，作为点云领域强大的全景分割框架，具有端到端的语义和实例分割能力，采用可变核函数的动态偏移聚类模块，采用基于共识的融合来应对语义和实例预测之间的分歧，并在 SemanticKITTI 和 nuScenes 数据集上取得了优秀的性能表现。
Nov, 2020
本文提出了一种高效的基于点云的 3D 检测器 IA-SSD，利用可学习的面向任务的实例感知下采样策略分层选择感兴趣物体的前景点，进一步估计精确的实例中心，并采用仅编码器架构实现。大规模检测基准测试表明，该模型具有卓越的速度性能，能够以 80 个以上的速度在 KITTI 数据集上进行实时检测。
Mar, 2022
在自动驾驶领域，应用 TED 模型能够高效地检测汽车等 3D 物体。TED 利用稀疏卷积提取多通道等变体素特征，使得其在处理大量数据时仍然能快速的检测物体。同时，在 KITTI 竞赛的排名上表现十分出众，达到全球第一。
Nov, 2022
SE-SSD 是一种有效的基于单级检测器的自组装方法，可以准确地检测外部点云中的三维物体，并使用软和硬目标的约束来联合优化模型，最终达到比所有先前已发表作品更好的性能。
Apr, 2021
SHIFT3D 通过使用有符号距离函数（SDF）表示对象，并利用梯度错误信号来平滑地改变 3D 对象的形状或姿态，从而生成既具有结构合理性又对 3D 物体探测器具有挑战性的 3D 形状。这种方法为现代 3D 物体探测器提供了可解释的失败模式，并可以在潜在的安全风险发展为关键故障之前帮助及时发现潜在的安全风险。
Sep, 2023
MS$^{2}$3D 是一个两阶段的三维检测框架，利用小尺寸的体素提取细粒度的局部特征和大尺寸的体素捕捉长程局部特征，通过多尺度语义特征点构建三维特征层并计算特征点与目标质心的偏移，以提高特征聚合的效率，在 KITTI 数据集和 ONCE 数据集上验证了该方法的有效性。
Aug, 2023