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

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

本文提出了 LaserNet，一种 3D 物体检测的计算有效方法，它通过在传感器的本地范围视图中处理 LiDAR 数据来提高效率，并使用全卷积网络来预测每个点的 3D 框的多模式分布，然后高效地融合这些分布以生成每个对象的预测，实验证明这种方法比其他方法具有显著更低的运行时间，并且在大型数据集上具有比其他检测器更好的性能。

Mar, 2019

本研究提出了一种利用分割信息指导检测过程的多任务框架，该框架联合执行三维物体检测和全景分割，可利用多视角信息解决每个投影视图的缺陷，并通过前景语义信息和中心密度热力图来提示物体的可能框中心位置。在 nuScenes 数据集上进行的大量实验表明，该方法提供了显著的性能提升，基于单级 CenterPoint 3D 物体检测网络的所提出方法在 nuScenes 3D 检测基准上取得了 67.3 NDS 的最新性能。

Mar, 2022

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

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

我们的研究论文提出了一种利用 LiDAR 和图像相结合的方法来解决长距离 3D 物体检测的问题，通过组合两种不同范围的专家网络和引入 Multimodal Virtual Points（MVP）进行数据增强，我们的方法在长距离上达到了最先进的性能。

Oct, 2023

本文提出了一个基于 LiDAR 的单级别无锚点 3D 物体检测方法 --RangeDet。 与以前的方法相比，最显著的区别是我们的方法基于范围视角表现，使用常用的像素或 Bird's Eye View (BEV) 表示方法相比，范围视角表述更为紧凑且没有量化误差，该方法在 Waymo Open Dataset 中进行了测试，表现较以前的方法有很大改进。

Mar, 2021

使用 LIADAR 进行三维物体检测时，由于点云密度不均衡，距离传感器更远的物体采集的点较少，导致检测精度下降。为解决这一挑战，作者提出了名为 SIENet 的二阶段三维物体检测框架，其中设计了空间信息增强模块和多分支的混合范式区域提案网络 (HP-RPN) 等，其在 KITTI 三维物体检测基准测试数据集上取得了远超其他方法的显著性能表现。

Mar, 2021

无人驾驶车辆中的目标检测与跟踪任务主要依靠相机和 LiDAR 等多种传感器，本研究在使用 LiDAR 点云的新编码方式基础上，通过推断自动驾驶车辆附近不同类别物体的位置，实现了对场景中物体位置和方向的预测。

Dec, 2023