近日，厦门大学信息学院空间感知与计算团队两项最新研究成果被国际学术期刊 《IEEE Transactions on Pattern Analysis and Machine Intelligence》 (IEEE TPAMI)接收。IEEE TPAMI是人工智能、计算机科学领域的顶级国际期刊之一，是中国计算机学会推荐的A类期刊。

1.协同目标感知研究成果——DOtA++: Unsupervisely and Collaboratively Detect Objects from Multi-Agent Observations with Multi-Modal Prior Constraints（DOI: 10.1109/TPAMI.2026.3664863）

多智能体协同目标感知是自动驾驶、机器人协作、低空飞行的关键技术，近年来受到学术界与工业界的广泛关注与持续投入。随着智能体数量的增多，协同感知模型训练需要的人工标注成本成倍增长。

实验室结合前期标签高效的目标感知工作积累，提出了无需人工标注的多智能体协同三维目标感知方法(DOtA, CVPR2025)，利用多智能体内部的通信信息产生目标感知任务的伪标签，在无需人工标注的情况下实现准确协同三维目标感知。在此基础上，本工作进一步提出DOtA++方法，突破了无人工标注下协同感知场景多类别目标感知难题（如下图所示）。DOtA++引入多模态先验约束（目标的多尺度约束、多智能体一致性观测约束、几何先验约束）克服训练过程中的噪声干扰，并设计基于标签内部多类别对比的迭代训练策略实现高质量信息的拓展，有效解决了无人工标注下协同三维目标感知中标签匮乏与噪声大的问题。实验结果表明，相较于传统无需人工标注的检测方案，DOtA++在V2X-R协同感知数据集上的三维目标检测平均精度提升了10.7%，充分验证了该方法的有效性。

该论文由厦门大学信息学院夏启明博士生、郑龙辉硕士生、黄勋博士生、吴海博士生、温程璐教授（通讯作者）、王程教授合作完成。研究工作得到国家自然科学基金委（42571514）等资助。

论文链接：https://ieeexplore.ieee.org/document/11397189

2.无监督目标感知研究成果——Unsupervised 3D Object Detection by Commonsense Clue（DOI：10.1109/TPAMI.2025.3598341）

自主感知平台，如无人驾驶车辆、机器人，需要实时检测周围动态目标以实现自主避障与导航。基于全监督、半监督学习的目标检测方法高度依赖大量高质量人工标注。近年来实验室针对训练标注数据受限的难题，提出了系列弱/无监督学习点云目标检测方法（COIN, ICCV2023; HINTED, CVPR 2024; CPD, CVPR 2024; MOTAL ICCV 2025等）。其中，于2024年提出的常识原型约束下的无监督点云目标检测方法（CPD, CVPR 2024），可实现在大目标类型上的高性能无监督目标检测。在此基础上，本研究提出的CPD++进一步突破了室外开放场景小目标的无监督检测难题。CPD++从静止目标中学习目标位置尺寸知识，从运动目标中学习类别知识，并通过迭代训练实现目标位置尺寸与类别知识的相互迁移，有效解决了无监督三维目标检测中标签匮乏与标签噪声大的问题。实验表明，在WOD数据集上训练并在KITTI上测试时，CPD++ 在中等难度汽车类别上（IoU 阈值 0.5）取得了 89.25% 的三维平均检测精度（AP），达到全监督方法性能的 95.3%，充分体现了该方法的先进性。

该论文由厦门大学信息学院吴海博士生、赵世佳博士生、黄勋硕士生、夏启明博士生、温程璐教授（通讯作者）、王程教授与香港中文大学（深圳）蒋理助理教授、美国Texas A&M Xin Li教授等合作完成。该研究工作得到了国家自然科学基金项目（62171393）等项目的支持。

论文链接：https://ieeexplore.ieee.org/document/11124320

（信息学院）