https://zhaoylee.github.io/Blogs/tags/%E9%A2%9D%E5%A4%96%E7%9A%84%E6%B7%B1%E5%BA%A6%E6%A8%A1%E5%9E%8B/ Recent content in 额外的深度模型 on zhaoyli's Blog Hugo zh-cn [©2024 zhaoyli&rsquo;s Blog] https://zhaoylee.github.io/) Mon, 16 Mar 2026 01:45:51 +0000 https://zhaoylee.github.io/Blogs/posts/open-vocabulary-based/open-vocabulary-monocular-3d-object-detection/ Sun, 15 Mar 2026 21:14:37 +0800 https://zhaoylee.github.io/Blogs/posts/open-vocabulary-based/open-vocabulary-monocular-3d-object-detection/ <hr> <blockquote> <p><strong>🏛️ 会议/期刊</strong>：3DV<br> <strong>📅 发表年份</strong>：2026<br> <strong>💻 开源代码</strong>：<a href="https://github.com/UVA-Computer-Vision-Lab/ovmono3d">UVA-Computer-Vision-Lab/ovmono3d</a><br> <strong>📄 论文题目</strong>：<a href="https://arxiv.org/pdf/2411.16833">Open Vocabulary Monocular 3D Object Detection</a></p> </blockquote> <hr> <h3 id="一-背景研究目的与核心问题">一、 背景、研究目的与核心问题</h3> <ul> <li> <p><strong>研究背景：</strong> 传统的单目 3D 目标检测（M3OD）模型都属于“闭集（Closed-set）”学习。这意味着模型只能检测训练集中预先定义好的那几种类别（例如 KITTI 数据集里的车、人、自行车）。但在真实的自动驾驶或机器人场景中，会遇到无数的长尾目标（如遗落的轮胎、奇形怪状的施工路障、甚至是一只突然窜出的动物）。</p> https://zhaoylee.github.io/Blogs/posts/plug_and_play/plot---pseudo-labeling-via-object-tracking-for-monocular-3d-object-detection/ Sun, 15 Mar 2026 20:52:51 +0800 https://zhaoylee.github.io/Blogs/posts/plug_and_play/plot---pseudo-labeling-via-object-tracking-for-monocular-3d-object-detection/ <hr> <blockquote> <p><strong>🏛️ 会议/期刊</strong>：ICLR<br> <strong>📅 发表年份</strong>：2026<br> <strong>💻 开源代码</strong>：<a href="%E5%A1%AB%E5%86%99%E4%BD%A0%E7%9A%84URL">无</a><br> <strong>📄 论文题目</strong>：<a href="https://openreview.net/pdf?id=3knS4J9isg">PLOT: Pseudo-Labeling via Object Tracking for Monocular 3D Object Detection</a></p> </blockquote> <hr> <h3 id="一-背景研究目的与核心问题">一、 背景、研究目的与核心问题</h3> <ul> <li> <p><strong>研究背景：</strong> 单目 3D 目标检测模型极度“吃数据”。然而，人工标注 3D 边界框极其昂贵且耗时，导致目前带 3D 标签的数据集规模很小，严重限制了模型的泛化能力。</p>