本文提出了 OSODD 任务，使用开放式对象检测器识别未知对象的同时，基于其视觉外观无需人力，进一步发现未知对象的类别。我们提出了使用开放式对象检测器预测已知和未知对象的两阶段方法，然后以无监督的方式研究预测对象的表示，并从未知对象集合中发现新类别。在完整的评估协议下展示了我们模型在 MS-COCO 数据集上的性能。这项工作将促进更加强健的实际检测系统的研究。

Apr, 2022

研究了 3D 目标检测中的 2D 检测问题，提出了基于全卷积单级检测器的通用框架 FCOS3D，在不使用 2D 检测或 2D-3D 对应先验的前提下，通过重新定义中心性和将对象分配到不同的特征级别等方式，得到了简单而又高效的解决方案。在 NeurIPS 2020 的 nuScenes 3D 检测挑战赛中，该方法在所有只使用视觉信息的方法中获得第一名。

Apr, 2021

本文提出了一种 3D 物体识别方法，利用 2D-3D 物体提升技术，逐步将对象检测输出增加到对象视点，关键点和 3D 形状估计，并在 Pascal3D + 数据集上同时实现 2D 边界框和视点估计的最佳方法。

Mar, 2015

提出了一个名为 Omni3D 的大型测试数据集，其中包含 234k 个图像，涵盖了 98 个类别和 300 万个实例。引入了 Cube R-CNN 模型，能够更好地检测和识别 3D 场景和物体。该数据集可用于加速对新数据集的学习和预训练。

Jul, 2022

通过统一的框架，在有限的基础类别的条件下，本论文旨在同时解决定位和分类新颖目标的两个问题，提出了一种有效的 3D 新目标发现策略以及基于发现的新目标的跨模态对齐模块，通过迭代增强的对齐来统一实现了开放词汇 3D 目标检测的既定框架。

Oct, 2023

提出了一种基于多摄像头的 3D 对象检测框架，使用基于上下文注意力的网络，直接在 3D 空间中进行边界框的预测，实现了全球最佳性能。

Oct, 2021

该研究论文提出了一种新颖的方法，通过学习无监督的辨别模型来识别真实的未知对象，并通过无分类训练方法对模型进行进一步改进，实现在检测未知对象方面显著优于先前的方法，在 MS COCO 数据集上保持检测已知对象类别的竞争性表现，并在 LVIS 和 Objects365 数据集上实现更好的泛化能力。

Aug, 2023

通过引入 SS3D 方法，成功在单目图像中实现三维物体检测，并通过建模异方差性提高了基准性能。该方法在保持简洁的同时，达到了当前状态下最高的检测精度，是实现自主驾驶等领域高性能检测的可靠框架。

Jun, 2019

通过训练一个鲁棒的单目三维物体检测模型，采用包括多样化的三维和二维数据集、有选择地训练不同类别注释的数据集和使用二维标签的伪三维训练方法，我们可以获得具有强大泛化能力和对只有二维标签的新数据集表现出色的模型。

Oct, 2023

通过领域自适应将感知域中的真实场景特征与概念域中的增强场景特征进行关联，提出了一种新的 3D 检测框架，同时引入基于注意力的重加权模块，无需增加推理成本即可利用网络特征增强能力，在 KITTI 3D 检测基准测试中实现了更高的性能。

Aug, 2022