采用热点及其空间关系的方式，提出适用于稀疏数据的3D物体检测方法，并在KITTI 3D检测基准测试中获得第一名，以及在NuScenes 3D检测基准测试中取得了最新的性能。

Dec, 2019

本文旨在探讨用于野外环境中行走行人的3D浓密表征的步态识别，并提出了一种基于3D Skinned多人线性（SMPL）模型的新框架——SMPLGait，并建立了首个大规模的基于3D表征的步态识别数据集——Gait3D，以此与现有的步态识别方法进行了全面比较。

Apr, 2022

本文提出了一种新的三维物体检测结构，该结构可以编码由多个连续扫描获取的LiDAR点云序列，并利用时空上下文实现较大的性能提升。通过短期运动感知体素编码和长期运动指导俯视图特征增强，可以对点云序列进行编码处理，结果显示，与基线方法相比，该模型在性能上显示出明显优越性，在某些三维检测类别方面表现出了最先进的性能。

Dec, 2022

本文提出了一种名为SphereFormer的方法，通过设计射线窗口自我关注机制，将密集的近距离点聚集到稀疏的远距离点，从而扩大感受野，提高了稀疏远距离点的性能，并在nuScenes和SemanticKITTI语义分割基准测试排名第一，取得了显著的性能提升。

Mar, 2023

提出了一种基于Siamese网络的LiDAR点云中小目标跟踪方法，该方法通过目标感知原型挖掘模块和区域网格划分模块组成。通过学习特征空间中的原型，强调前景点的存在，以便在后续对小目标进行定位。同时，通过恢复搜索区域的细粒度特征，提高了跟踪性能，对小目标具有良好的鲁棒性。在KITTI和nuScenes数据集上的广泛实验证明了该方法的有效性。

Jan, 2024

行走是一种行为生物特征方式，可用于从远距离识别人们的方式。本文提出了一种新的行走识别网络，称为GaitPoint+，结合了轮廓和骨架特征以提高准确性，并通过对骨骼点云的处理实现了性能的进一步提升。

Apr, 2024

本研究介绍了一种对步态进行识别的新型模态敏感网络LiCAF，采用了不对称且交叉模态的渠道注意力和交叉模态的时域建模，通过LiDAR-相机融合获得的鲁棒步态表示，在SUSTech1K数据集上取得了最先进的性能水平（Rank-1为93.9%，Rank-5为98.8%），证明了其有效性。

Jun, 2024

在这项研究中，我们提出了首个跨模态步态识别框架，名为CL-Gait，它使用了双流网络来对相机和LiDAR的特征进行嵌入。我们提出了对抗性预训练策略来减轻模态差异，并介绍了一种大规模生成数据的策略。通过实验，我们证明了跨模态步态识别是非常具有挑战性的，但我们的模型和预训练策略仍然具有潜力和可行性。据我们所知，这是第一项研究跨模态步态识别的工作。

Jul, 2024

3D单物体跟踪研究中，基于外观匹配的方法受制于不完整、无纹理和语义缺失的LiDAR点云，而运动范式则通过利用运动线索而非外观匹配进行跟踪，且其复杂的多阶段处理和分割模块限制了其应用。本论文首先对运动范式进行深入研究，证明了直接从连续帧的点云中推测目标相对运动是可行的，并且连续点云之间的精细信息比较有助于目标运动建模。因此，我们提出了一种新的跟踪框架P2P，通过对连续点云进行部分运动建模，并介绍了P2P-point和P2P-voxel模型，分别通过基于点和基于体素的表示来实现隐式和显式的部分运动建模。在KITTI、NuScenes和Waymo Open Dataset上，P2P-voxel不添加额外功能，达到新的最先进水平（分别为约89％、72％和63％的精度）。此外，在相同的基于点的表示下，P2P-point在KITTI和NuScenes上的性能超过了之前的运动跟踪器M^2Track的3.3％和6.7％，而在单个RTX3090 GPU上以相当高的速度运行（107帧/秒）。源代码和预训练模型可在https://github.com/haooozi/P2P上获得。

Jul, 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