本研究提出了弱监督框架GATE3D，旨在解决单目三维物体检测中缺乏准确3D标注数据的问题。通过一致性损失缩小领域差距，在KITTI基准和新室内数据集上取得了优异表现，提高了有限标注数据下的学习效率，展现出广泛的应用潜力。

本研究提出了一种创新的三维物体检测方法DEST，利用交互式状态空间模型克服了DETR在三维室内物体检测中的性能限制。实验结果表明，该方法在ScanNet V2和SUN RGB-D数据集上显著提升了检测性能，创造了新的SOTA标准。

本研究提出FrustumFusionNets（FFNets）网络，解决了农业场景中三维物体检测对图像信息利用不足的问题。该网络结合二维图像检测与点云信息，实现了拖拉机道路场景中车辆和行人的高精度检测，显著提升了检测准确率，为无人农业机器提供了新技术。

本研究提出了一种基于证据学习损失的框架，量化三维物体检测中的不确定性，显著提升识别能力，平均提高基线性能10-20%。

本文介绍了Rope3D数据集及多种基于智能路边摄像头的三维物体检测方法，如BEVHeight、HeightFormer和MonoGAE，旨在提升自主驾驶系统的感知精度。研究提出了结合高度和深度信息的新框架CoBEV，增强了鲁棒性和泛化能力，并通过新策略解决了深度模糊问题，展示了实际应用潜力。

本文介绍了一种基于知识蒸馏的三维物体检测方法，通过低质量数据提升模型性能。研究提出了LiDAR蒸馏、全稀疏检测器和Voxel Mamba等新技术，显著提高了检测效率和准确性，尤其在自动驾驶应用中表现优异。通过系统调查，发现Transformer主干在鲁棒性上优于3D CNN，并提出FSD-BEV框架，解决了LiDAR检测的固有限制。

该研究提出了多种新颖的三维物体检测方法，重点提高鲁棒性和准确性。BEVFusion方法不依赖雷达数据，OCBEV和UniBEV框架解决了传感器故障问题。ODM3D框架通过半监督学习在KITTI基准上取得优异成绩，表明多模态检测方法在实际应用中的优势。

本文介绍了多种基于神经网络和传感器融合的三维物体检测与相机重定位算法，强调其在自动驾驶中的应用。提出的算法如CoordiNet和CoBEVGlue，提升了检测精度和实时性，并降低了通信成本，展示了在复杂驾驶场景中的有效性和鲁棒性。

本文提出了一种半监督三维物体检测框架，通过三维边界框参数化、不确定性估计和伪标签选择等设计，显著提高了检测准确性。在不同数据集上的实验证明，该方法优于基准模型，尤其在激光雷达目标检测中，平均精度提高了3.6%。

本文介绍了多个用于车路协同自动驾驶的多模态数据集和算法，包括DAIR-V2X、TUMTraf-V2X和V2V4Real，旨在提升车辆与基础设施的协作感知能力。研究强调数据共享的重要性，并提出新的模型和检测器，以提高三维物体检测的准确性和效率。这些数据集和模型为自动驾驶技术的发展提供了重要支持。

本文提出了一种弱监督学习的三维物体检测框架，利用二维和三维领域的约束，无需三维标签即可建立关联。该方法在KITTI数据集上表现优异，性能与先进方法相当。通过引入先验模块和空间约束，仅依赖2D注释，显著提高了3D边界框的质量，减少了人工标注时间。

本文提出了一种弱监督三维物体检测框架，利用二维与三维领域之间的约束，无需三维标签即可建立关联。该方法在KITTI数据集上表现优异，且与先进技术相媲美。此外，研究还探讨了基于单个RGB图像的高效三维目标检测方法，进一步提升了检测精度。

该研究论文介绍了一种基于机器学习的无人机检测系统，结合相机和雷达数据进行三维物体检测和多目标追踪，显著提升了检测性能，符合ED 324 / ARP 6983标准，增强了自动驾驶中的物体识别能力。

本文提出了一种数据导向领域适应（DODA）框架，旨在减轻3D室内语义分割中的领域差异，效果优于其他方法。研究聚焦于稀疏点云，提出无监督对抗领域自适应三维物体检测（UADA3D），直接学习域不变特征，显著提升自动驾驶和移动机器人领域的性能。

本文介绍了PillarNet，一种基于支柱的三维物体检测器，采用2D卷积，性能优于现有方法。研究表明，PillarNet在nuScenes和Argoversev2数据集上表现出色，适用于自动驾驶中的实时检测。

本研究提出了一种针对自动驾驶的三维物体检测新指标，考虑了目标与车辆的距离和速度。同时，介绍了新的点云相似度评价方法DCD和实时3D多目标跟踪系统，显著提升了检测性能和速度。研究表明，nuScenes检测得分与驾驶性能高度相关，呼吁谨慎使用新兴指标。

本文介绍了一种名为CaLiCa的深度自校正网络，能够自动校准针孔相机和激光雷达。实验结果表明，其精度为0.154度和0.059米，重投影误差为0.028像素。该算法通过单目深度估计和激光雷达点云的互信息，自动更新校准值，提升自动驾驶系统的感知能力。此外，研究还提出了多模态融合模型CoopDet3D，显著提高了三维物体检测性能。

本文综述了自动驾驶中三维物体检测的研究进展，重点探讨了激光雷达和相机的检测方法，分析了它们的优缺点及应用场景。此外，研究了碰撞预测和目标识别技术，并提出了新的检测框架，以提高感知精度和效率。

本文探讨了无人驾驶车辆中基于LiDAR点云的三维物体检测与跟踪技术，提出了多种新方法，包括利用伪LiDAR点云提升单目深度学习算法性能、结合V2X通信技术优化感知能力，以及引入多智能体协作提高摄像机检测效果。这些方法在KITTI基准测试中表现优异，展示了LiDAR与摄像机结合的潜力。

本文探讨了利用知识蒸馏技术提升低成本语义分割和三维物体检测模型的性能，提出了多阶段深度聚类框架和多摄像头辅助学习系统，以提高模型在资源有限环境中的准确性和效率。实验结果表明，该方法在多个基准测试中表现优越。