本文介绍了 KAIST-Radar 数据集，该数据集包含 4D Radar tensor 数据，并提供了附加的 Lidar、立体相机和 RTK-GPS 测量，用于提高雷达物体检测的准确性，该数据集包含逆境天气下的各类道路，提供了相关基准测试和神经网络，并证明了 4D Radar 更适合逆境天气条件下的物体检测。

Jun, 2022

本文提出了一种基于深度学习的 Range-Azimuth-Doppler 多类物体检测算法，并伴随着一个包含动态道路用户的弯曲区域、类别标签和 2D 边界框的 novel radar 数据集，并提出了一种实例化自动注释方法

May, 2021

本文提出了一种基于深度学习算法的雷达目标检测方法，该方法可直接对原始雷达张量数据进行处理，在鸟瞰图空间中为检测到的目标放置概率定向边界框。借助新建的多模态数据集，仅使用原始雷达数据作为输入，发展了一种车辆检测管道，并取得了 77.28％ AP（相对 3D 外接框交并比为 0.3）的最佳性能，实现了对传统角落式汽车雷达中原始雷达数据的目标检测。

Apr, 2020

该论文探讨了基于 4D 成像雷达和摄像头的图像视图转换策略并提出一种 “雷达占用格辅助深度采样” 的方法，该方法在 VoD 和 TJ4DRadSet 数据集上的实验结果均表现出较高水平的 3D 物体检测性能。

Jul, 2023

本研究提出了一种主动学习的方法，通过使用 RGB 图像生成的 2D 区域提案来减少目标搜索空间并加快学习过程，从而训练一个具有最少标记训练数据的 LiDAR 3D 目标检测器。实验结果表明，该方法在不同的不确定性估计和查询功能下都能正常工作，并可以节省多达 60% 的标注工作量，同时达到相同的网络性能。

Jan, 2019

通过使用 CenterRadarNet 来从 4D 雷达数据中进行高分辨率表示学习，对于 3D 物体检测和重新识别任务进行了有效的联合建模，取得了在 K-Radar 3D 物体检测基准测试上的最新成果，并在 K-Radar 数据集 V2 上展示了首次使用雷达进行的 3D 物体追踪结果。

Nov, 2023

本文提出了一种名为 RODNet 的深度雷达物体检测网络，通过摄像机和雷达融合算法进行交叉监督，可以在实时的条件下有效地检测无线电频率 (RF) 图像中的物体。经过广泛的实验，我们的算法在各种驾驶条件下呈现了鲁棒性，并取得了 86％的平均精度和 88％的平均召回率。

Feb, 2021

自动驾驶技术在公共道路和工业场景中越来越普遍，但传统摄像头或激光雷达在恶劣环境下的表现受到影响。我们提出了一种基于 4D 雷达的 CNN 架构 TMVA4D，用于语义分割，并且说明了构建数据集的过程。在工业环境的数据集上，我们使用 TMVA4D 获得了 78.2% 的平均交并比分数和 86.1% 的平均 Dice 分数。

Apr, 2024

本文介绍了一个名为 TJ4DRadSet 的数据集，其中包含了在自动驾驶研究中使用的 4D 雷达点云。我们提供了基于 4D 雷达点云的深度学习方法的 3D 目标检测基线来展示该数据集的有效性。

Apr, 2022

本文介绍了一种新的使用深度学习技术处理雷达数据的方法，该方法利用雷达校准数据进行训练，引入了新的雷达数据增强技术，通过在雷达 4D 检测任务上的实验验证，表现更优秀的性能，极大地减少了对昂贵的雷达校准工艺的需求，从而实现快速准确的示踪和分类检测。

Jun, 2019