使用混合架构，通过从合成孔径感测得到的整体空中图像和传统空中图像提取最重要的特征，以消除由于茂密植被引起的遮挡。该方法结合了环境的空间参考和无遮挡目标的特征，不需要手动调整参数，可以扩展到任意数量和组合的光谱通道，可根据不同用例进行重新配置，超越了现有技术。

Nov, 2023

利用半监督联邦学习框架和模型参数混合策略来保护数据隐私实现无人机图像识别；根据不同相机模块、地域环境等数据的统计异质性问题，提出基于客户端频率的聚合规则来调整对应本地模型的权重。

Jan, 2022

提出了一种名为 EchoFusion 的新方法，通过跳过现有雷达信号处理管道并将雷达原始数据与其他传感器结合，利用雷达回波的丰富和无损距离和速度线索以及图像的丰富语义线索，在 RADIal 数据集上超越现有方法并接近激光雷达性能。

Jul, 2023

本文提出一种混合逐点雷达 - 光学融合方法，结合了来自范围 - 多普勒频谱和光学图像的密集上下文信息，用于自动驾驶场景中的目标检测，表现优于最近的 FFT-RadNet 方法。

Jul, 2023

利用微波雷达和摄像机的互补性，基于深度学习的雷达摄像机三维物体检测方法可以可靠地在低能见度条件下生成准确的检测结果。这使得它们成为自动驾驶车辆感知系统中的首选，特别是由于两种传感器的综合成本比激光雷达更便宜。我们提出了 ClusterFusion，一种利用雷达点云的局部空间特征的架构，在将特征投影到图像平面之前，对雷达点云聚类进行特征提取。ClusterFusion 在 nuScenes 数据集的测试集中取得了最先进的性能，nuScenes 检测分数（NDS）为 48.7％。我们还研究了不同雷达特征提取策略在点云聚类上的性能：一种手工策略，一种基于学习的策略以及两者的组合，并发现手工策略提供了最佳的性能。本研究的主要目标是探索使用雷达点云聚类直接提取雷达的局部空间和逐点特征，用于在图像平面上进行交叉模态特征融合的雷达 - 单目摄像机三维物体检测方法。

Sep, 2023

DeepFusion 提出了一种模块化的多模态架构，用于融合 lidar，相机和雷达以进行 3D 物体检测，实验结果证明了其灵活性和有效性，并探讨了远距离汽车检测和所需的激光点密度对 3D 物体检测的影响。

Sep, 2022

提出了一种基于早期融合方法和跨通道自适应交叉注意力机制的摄像头与雷达融合的方法，可实现更有效的三维目标检测，并在 nuScenes 测试集中达到了 41.1％的 mAP 和 52.3％的 NDS，相比摄像头基线提高了 8.7 和 10.8 个百分点。

Sep, 2022

该论文讨论了使用无人机作为飞行无线接入网络（RAN）节点和射频（RF）感知定位设备的优点，以及如何将其应用于两种场景。论文讨论了无人机的合适位置选择和轨迹设计所涉及的局部地形特征和射频环境映射的挑战，并介绍了相关的算法解决方案，说明了射频映射对于连接性、感知和定位性能所带来的优势。

May, 2022

本研究旨在提出一种使用监控无人机的调制分类和信号强度定位方法，以精确监测和定位非法飞行的业余爱好者随身携带的无人机，通过在合适高度飞行，调整监控无人机的位置等手段，提高监测和定位性能。

Oct, 2017

基于视觉转换器的粗细检测策略用于无人机检测，提升 F1 得分，并在边缘计算设备上实现实时处理能力。

Apr, 2024