本文介绍了 NTU-ICG 团队提出的基于聚类学习检测的 LiDAR 技术应用于无人机跟踪和姿态估计的方法，通过两种类型的 LiDAR 传感器对无人机进行三维定位，并结合历史估计填充缺失数据，在 CVPR 2024 UG2+ Challenge 中获得了第五名的成绩。

May, 2024

提供一个包含超过 580k 个边界框的数据集，命名为 Anti-UAV，可用于研究无人机（UAV）的跟踪任务及其性能，文中还提出了双流语义一致性（DFSC）的方法，可以通过视频序列中的语义流提高跟踪器的性能。

Jan, 2021

本文提出了一种基于多模态融合的新型多目标跟踪框架，通过将目标检测和多目标跟踪集成到同一模型中，取消了传统 TBD 范例中复杂的数据关联过程，并且不需要额外的训练。其次，探讨了历史轨迹回归的置信度，分析了一条轨迹在当前帧中的可能状态，并设计了置信度融合模块来指导有序关联的轨迹和检测的非极大值抑制。最后，在 KITTI 和 Waymo 数据集上进行了大量实验，结果表明，所提出的方法可以通过使用两个模态检测器实现鲁棒跟踪，并且比许多最新的基于 TBD 范例的多模式跟踪方法更加精确。

Apr, 2023

MMAUD 是一个多模态反无人机数据集，用于无人机检测、无人机类型分类和轨迹估计，提供多种感知输入和准确的基准数据，对于开发准确和高效的解决方案具有重要价值。

Feb, 2024

文章研究了无人机导航中基于视觉的障碍物检测和跟踪问题，提出了一种实时的对象定位和跟踪策略，将对象检测和跟踪有效地集成到动态卡尔曼模型中，并使用卡尔曼滤波提供对象状态的粗略预测，而无需对其进行手动初始化，具有比同类技术更快的运行速度和竞争性的跟踪性能。

Mar, 2017

为了解决现有数据集图片数量有限的问题，本文提出了一个包含图像和三维数据的多模态综合数据集，该数据集包含 28 类的像素级标注，并可用于深度网络架构的有效训练，结果表明其在合成数据和实际数据的适应方面具有良好的前景。

Aug, 2023

通过融合 2D 图像与 3D LiDAR 点云的特征，学习度量，以及在无匹配目标检测时初始化跟踪，提出了一种概率、多模态、多对象跟踪系统，实现了比现有技术更鲁棒、数据驱动的多对象跟踪。

Dec, 2020

提出了一种基于 Unreal Engine（UE）的多模态无人机目标检测数据集 UEMM-Air，通过模拟不同无人机飞行场景和目标类型，自动收集来自不同角度、高度的数据，并使用新颖的启发式自动注释算法生成准确的目标检测标签。该数据集包含 20k 对图像，具有 5 种模态和精确的注释，并且在众多实验中建立了新的基准结果，表明在 UEMM-Air 上预训练的模型在下游任务中表现更好。该数据集可公开获取以支持多模态无人机目标检测模型的研究。

Jun, 2024

本文提出一个新的反无人机问题，即在没有无人机先前信息的复杂环境中感知无人机，为此我们提出了最大的无人机数据集 AntiUAV600 和新的评估指标，并开发了一种新颖的反无人机方法来解决该问题。

Jun, 2023

该研究构建了一个大规模的无人机 RGB - 红外车辆检测数据集，在低光条件下，使用不确定性感知的跨模态车辆检测框架提取交叉模态图像的补充信息，以大幅提高检测性能。

Mar, 2020