本文提出了 EasyLabel 工具来方便地获取密集杂乱场景中像素级别的高质量实体标注。使用该工具生成的 Object Cluttered Indoor Dataset (OCID) 用于系统地比较现有的物体分割方法，并揭示了通过逐像素逐物体标注来提高机器人视觉现实应用的必要性。

Feb, 2019

本文提出了一种新的物体观察视点估计方法，使用图像对齐替代传统的依赖于三维模型或大量特定类别数据的方法，并在多个数据集上进行实验验证。

Jun, 2020

提出了一种新颖的基于AirObject的时间3D对象编码方法，使用一种图注意力的编码方法，从多个视角获得结构信息，能够获得全局关键点图嵌入的全局3D对象嵌入。在视频对象识别方面具有最先进的性能，并且具有鲁棒性，比最先进的单帧和顺序描述符表现更出色。

Nov, 2021

该研究提出了一种基于单个对象检查实现类别级姿态估计的方法，通过利用多视角对应关系从而为未见过的对象的姿势估计提供更精确的结果，并展示了该方法在连续学习环境下的应用。

May, 2023

通过学习合成数据，我们引入了Alice基准测试，为研究社区提供了大规模的数据集和评估协议，同时讨论了领域适应的方法和未来方向。

Oct, 2023

我们提出ISAR，这是一个单次和少次样本对象实例分割与重新识别的基准和基线方法，以加速能够从单个或少数稀疏训练样本中稳健地检测、分割和重新识别对象的算法的发展。

Nov, 2023

该论文综合评述了基于Transformer的物体再识别 (Re-ID) 的现有工作，涵盖了多个领域和挑战，并提出了一个基于Transformer的新方法UntransReID，同时还讨论了未来研究中的重要问题。

Jan, 2024

通过EDITOR框架中的多模态对象ReID方法实现对背景的抑制、特征重提取、空间频率令牌选择和特征细化，以产生更具辨别性的特征，从而提高在复杂视觉场景中的对象再识别效果。

Mar, 2024

在学习物体的识别和检索的对象表示中，我们将更常用的其他不变性增加了一个不变性 - 状态不变性 - 通过状态不变性，我们的目标是设计一个具有类似能力的神经架构，以捕捉到物体形状结构变化时的鲁棒性。为了实现这一目标，我们提出了一个新颖的数据集，ObjectsWithStateChange，它捕捉了物体图像中的状态和姿态变化。通过使用所学嵌入空间中每个时期后的相似关系指导训练过程，我们还提出了一种使用课程学习策略，该策略通过比较视觉上相似的对象来增强模型捕捉微细变化物体的辨别特征的能力。我们相信，这种策略可以提高在涉及具有状态变化的微细任务上的性能，不仅在我们的新数据集上，还在其他具有挑战性的多视图数据集上，如 ModelNet40 和 ObjectPI。

Apr, 2024

本研究解决了物体实例重识别领域的空白，提出了一种新颖的双路径物体实例重识别变换器架构，将RGB和深度信息相结合。研究表明，该方法在不同场景下的重识别和定位准确性上均有显著提升，为自动化探索和长期感知任务提供了有力支持。

Sep, 2024