本文介绍了多种基于点云的三维目标检测和跟踪方法，如VoxelNet、PillarTrack和EasyTrack。这些方法通过不同的特征编码和网络设计，显著提升了在KITTI和nuScenes数据集上的检测和跟踪性能，具备较高的实时性和准确性。

本文介绍了基于激光雷达和单目摄像头的三维目标检测方法，提出了半监督主动学习框架和新型管道，显著提升了检测性能并降低了标注成本，验证了在KITTI和Waymo数据集上的有效性。

本文提出了一种新的Pseudo-Labeling半监督三维目标检测框架，通过引入STE和CBV模块提高了教师模型的性能，同时提出了BCL软监督信号来减小错误样本对训练的负面影响。实验证明，在ONCE和Waymo数据集上，该方法显著提高了基线，同时在Waymo数据集上，只使用了一半的注释即可超过完全注释的oracle模型。

本研究提出了一种新的多相机三维目标检测方法，通过视角校正和特征渲染，有效地检测不同视角、相机参数和环境条件下的目标。该方法采用基于模型的不可知的方法，无需额外的推理成本和对真实场景注释，实验结果明确展示了其有效性。

本文提出了一种基于单个 RGB 图像的高效三维目标检测框架，利用二维目标检测器提取表面视觉特征，消除表征歧义问题，并探索了不同的三维边界框细化方法。在 KITTI 基准测试上，该方法优于当前单个 RGB 图像基础的三维目标检测技术水平。

本文提出了一种新的半监督三维目标检测框架，通过引入STE和CBV模块提高了教师模型的性能，同时提出了BCL软监督信号来减小错误样本对训练的负面影响。实验结果表明，该方法在ONCE和Waymo数据集上显著提高了基线，在Waymo数据集上只使用了一半的注释即可超过完全注释的oracle模型。

本文提出了一种基于单个 RGB 图像的高效三维目标检测框架，利用二维目标检测器提取表面视觉特征，消除表征歧义问题，并探索了不同的三维边界框细化方法。在 KITTI 基准测试上，该方法优于当前单个 RGB 图像基础的三维目标检测技术水平。