通过利用 LiDAR 数据辅助进行无监督的二维对象检测，同时采用基于 3D 点云和 2D 图像特征的迭代分割标签网络对候选对象进行标签生成和训练，从而解决了之前存在的问题，得到了较为合理的检测结果。

Nov, 2020

本文研究基于激光雷达点云的三维检测在自动驾驶的感知系统中的重要性，并提出了 LiDAR R-CNN，这是一种可改进任何现有三维检测器的第二阶段检测器，采用了基于点的方法解决了实时和高精度要求的问题，在实际中具有普适性和优越性能。

Mar, 2021

本文提出了一种基于语义点生成的通用方法，通过生成语义点并将其合并到原始点云中，增强了LiDAR检测器对域漂移的可靠性，取得了显著的改进，特别是针对自动驾驶中涉及的物体检测任务。

Aug, 2021

本文提出了一种高效的基于点云的3D检测器IA-SSD，利用可学习的面向任务的实例感知下采样策略分层选择感兴趣物体的前景点，进一步估计精确的实例中心，并采用仅编码器架构实现。大规模检测基准测试表明，该模型具有卓越的速度性能，能够以80个以上的速度在KITTI数据集上进行实时检测。

Mar, 2022

提出了一种名为ProposalContrast的无监督点云预训练框架，该框架通过对比区域建议来学习强大的3D表示，从而更好地适应3D 检测属性。

Jul, 2022

我们研究在自动驾驶场景中从3D点云中进行无监督对象检测的问题，提出了一种简单而有效的方法，利用点聚类、时间一致性、CNN的平移等性质以及自我监督来改进无监督检测算法，通过在非相近区域进行自动标记扩展到远距离，从而实现了零-shot方式的对象检测，能够在稀疏、远距离区域进行检测，同时在更多迭代自我训练的过程中不断改进。我们提出了基于碰撞距离的新的规划感知度量来更好地衡量模型在自动驾驶场景中的性能。我们在PandaSet和Argoverse 2 Sensor数据集上展示了我们的无监督对象检测器显著优于无监督基线的性能，证明了自我监督与对象先验相结合可以实现野外对象发现的潜力。

Nov, 2023

三维物体检测中的LiDAR和相机相结合开发算法容易出现过拟合问题，为此我们提出了一种名为DAL的新方法，通过模仿数据注释流程构建一个简单的预测流水线，并通过简单的训练优化其依赖性和可移植性，在性能、速度和准确性方面均具有综合优势，是未来工作开发和实际部署的理想基准。

Nov, 2023

无人驾驶车辆中的目标检测与跟踪任务主要依靠相机和LiDAR等多种传感器，本研究在使用LiDAR点云的新编码方式基础上，通过推断自动驾驶车辆附近不同类别物体的位置，实现了对场景中物体位置和方向的预测。

Dec, 2023

通过使用大规模廉价粗糙标签和少量准确标签进行混合粒度监督，我们提出了MixSup，一种更实用的方法来同时利用经济实惠的粗糙标签和有限数量的准确标签来进行基于LiDAR的高效标签的3D物体检测。

Jan, 2024

该论文介绍一种新的LiDAR-2D自适应学习(LiSe)方法，通过融合LiDAR数据和2D图像，采用自适应采样和弱模型聚合策略，实现了在无监督的三维检测任务中对对象的准确检测，通过实验评估验证了LiSe方法的有效性。

Jul, 2024