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。

本研究提出了一种新训练方法，减少了单目RGB相机在三维物体检测中对人类标注的依赖。通过规范物体空间，该方法在不同数据集和相机设置中有效训练，实验证明其优于以往依赖2D标注的技术。

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%。

利用微波雷达和摄像机的互补性，基于深度学习的雷达摄像机三维物体检测方法在低能见度条件下生成准确的结果。ClusterFusion是一种利用雷达点云的局部空间特征的架构，在nuScenes数据集上取得了最先进的性能。研究发现手工策略提供了最佳的性能。目标是探索使用雷达点云聚类直接提取雷达的局部空间和逐点特征，用于在图像平面上进行交叉模态特征融合的雷达-单目摄像机三维物体检测方法。

本论文介绍了利用提升式激光雷达传感器改善城市环境中的三维物体检测能力的方法，并优化了基于点体素区域的卷积神经网络架构。实验结果表明该解决方案有效地检测交通场景中的物体，并强调激光雷达对提升城市安全和推动智能交通系统的作用。

本文介绍了一种像素级融合方法GeminiFusion，通过融合模态内部关注和模态间关注，实现了协调的融合过程。该方法在多模态图像转换、三维物体检测和任意模态的语义分割任务中表现出优秀的性能。

该研究提出了一种通过语言辅助的方法来学习点云特征，实现了对点云的三维语义分割、三维物体检测和三维场景分类任务的有效学习。

本文提出了一种弱监督的三维物体检测框架，通过三种视角的视觉数据建立二维和三维领域之间的关联，无需使用三维标签。在KITTI数据集上实验证明，该方法性能与最先进方法相媲美。

该研究提出了一种基于深度学习的雷达摄像机三维物体检测方法，利用雷达和摄像机的互补性，在低能见度条件下生成准确的检测结果。该方法使用 ClusterFusion 架构，在 nuScenes 数据集的测试集中取得了最先进的性能。研究还探索了不同雷达特征提取策略在点云聚类上的性能，发现手工策略提供了最佳的性能。

该研究提出了一种基于深度学习的雷达摄像机三维物体检测方法，利用微波雷达和摄像机的互补性，在低能见度条件下生成准确的检测结果。他们提出的ClusterFusion方法在nuScenes数据集的测试集中取得了最先进的性能。

该文介绍了一种自动驾驶中的单目三维物体检测框架，使用 PointNet 网络进行三维检测，并利用多模态融合模块将 RGB 颜色信息融入点云表示。该方法在 KITTI 数据集上的评估表现超过现有最新的单目方法。

该研究提出了一种多任务框架，联合执行三维物体检测和全景分割，利用分割信息指导检测过程，解决每个投影视图的缺陷，并通过前景语义信息和中心密度热力图来提示物体的可能框中心位置。实验表明，该方法在 nuScenes 数据集上取得了显著的性能提升，基于单级 CenterPoint 3D 物体检测网络的所提出方法在 nuScenes 3D 检测基准上取得了 67.3 NDS 的最新性能。

该文介绍了一种新的点云三维物体检测框架，通过跨模态幻觉实现稳健的检测。该框架结合空间和特征的多次对齐，提出了空间对齐和特征对齐的步骤以处理几何差异和感知模态间的属性差距。实验结果表明，该方法在雷达和 LiDAR 物体检测上优于最先进的方法，同时保持了竞争性的运行效率。

利用微波雷达和摄像机的互补性，基于深度学习的雷达摄像机三维物体检测方法可以在低能见度条件下生成准确的检测结果。本研究探索使用雷达点云聚类直接提取雷达的局部空间和逐点特征，用于交叉模态特征融合的雷达-单目摄像机三维物体检测方法。

该研究报告介绍了一种利用稀疏3D卷积提取语义特征的方法，并将其输入到类平衡的多头网络中进行三维物体检测。通过设计的样本策略，可以处理自动驾驶场景中的类别不平衡问题，并在nuScenes数据集上进一步提高了性能。该方法在nuScenes3D Detection Challenge中优于PointPillars基线，取得了最新的检测性能。