本研究提出了MonoASRH框架，旨在解决单目三维目标检测中的全局意识不足和小目标遗漏问题。通过高效的混合特征聚合和自适应尺度感知回归，实验在KITTI和Waymo数据集上取得了优异的表现。

本文提出了一种新型的单目三维目标检测方法，利用体素表示法有效组织点云并精确定位物体。结合LiDAR数据和二维物体检测，检测精度提升，验证集准确率达到87.1%。研究还探讨了多视角融合算法和伪立体三维检测框架，在KITTI数据集上表现优异，显示出在自动驾驶场景中的应用潜力。

本文综述自动驾驶中单目三维目标检测研究，涵盖基于RGB相机的检测框架、深度估计、伪立体视图、自监督学习及多数据集训练等方法，比较各类方法优劣，指出三维空间检测优于二维图像平面，未来需提升泛化能力。

该文综述了单目三维目标检测的弱监督与半监督方法，通过二维标签、跨模态知识蒸馏和几何一致性约束减少对三维标注的依赖。代表方法有KM3D-Net、ODM3D、SGM3D、VS3D、CMKD等，在KITTI等数据集上达到或超越部分全监督方法，仅用三分之一三维标签即可显著提升性能。

本文提出了一种新的单目三维目标检测方法，通过考虑物体间的几何关系，探索它们的相互关系来更好地估计三维框，并使用检测到的二维框来全局约束相应的三维框的优化，实现更好的性能。