不确定性感知的自监督三维数据关联
通过使用与图像相关的 shelf-supervision 模型对配对的 RGB 和 LiDAR 数据进行无监督预训练，我们提出了一种能够生成零样本 3D 边界框的点云表示方法，这种方法在半监督检测中能够显著提高检测准确性，尤其适用于 LiDAR-only 和多模态 (RGB + LiDAR) 检测。我们在 nuScenes 和 WOD 上展示了我们方法的有效性，并在有限数据环境中明显改进了之前的工作。
Jun, 2024
提出了一种基于多视角和弱标签的纯 RGB 序列的自监督 3D 物体检测方法，其在 KITTI 3D 数据集上的性能与使用激光雷达或立体图像的最先进的自监督方法相当。
May, 2023
本文利用自监督多帧流表示和单帧三维检测假设之间的关系，将自监督训练策略与监督三维检测结合，提出一种利用场景流估计的自监督训练方法来增强三维检测性能的技术。实验表明，所提出的自监督预训练显著提高了三维检测性能。
May, 2022
我们提出了一个混合框架，通过将自动化目标跟踪器与少量人工输入相结合，可以持续产生高质量的物体跟踪。我们的方法利用无标签视频上的自我监督学习，学习适合目标物体的表示，并使用该表示主动监视其跟踪区域，并在跟踪器失效时决策是否需要人工重新定位目标。实验证明我们的方法在三个数据集上优于现有方法，尤其适用于小型、高速移动或遮挡物体。
May, 2024
我们研究在自动驾驶场景中从 3D 点云中进行无监督对象检测的问题，提出了一种简单而有效的方法，利用点聚类、时间一致性、CNN 的平移等性质以及自我监督来改进无监督检测算法，通过在非相近区域进行自动标记扩展到远距离，从而实现了零 - shot 方式的对象检测，能够在稀疏、远距离区域进行检测，同时在更多迭代自我训练的过程中不断改进。我们提出了基于碰撞距离的新的规划感知度量来更好地衡量模型在自动驾驶场景中的性能。我们在 PandaSet 和 Argoverse 2 Sensor 数据集上展示了我们的无监督对象检测器显著优于无监督基线的性能，证明了自我监督与对象先验相结合可以实现野外对象发现的潜力。
Nov, 2023
本文旨在研究不使用任何视频级联标签的自监督多目标跟踪问题，并通过不同 iable 可微分的软目标分配来解决问题，使用时间和多视图数据进行训练，从而获得关于目标的关联伪标签。与大多数依赖于学习特征对应关系预算任务的自监督跟踪方法不同，我们的方法直接优化于复杂情景下的交叉对象关联，为鲁棒的重新识别 MOT 方法提供了一种解决方案，不会受到 Minima 的影响。在 KITTI、Waymo、nuScenes 和 Argoverse 数据集上评估我们的模型，与其他无监督方法相比，一致提高了 nuScenes 上的关联精度（7.8%）。
May, 2023
通过时态图神经网络的半监督学习，利用大量未标注的点云视频进行 3D 物体探测，实现了比基线和同等标记数据下的最新检测性能更好的检测，关键词：3D 物体探测；半监督学习；时态图神经网络；未标注数据；最新检测性能。
Feb, 2022
对于弱监督的三维物体检测任务，本文提出了一种框架来研究如何在无需任何三维标签的情况下利用二维和三维领域之间的约束，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。实验证明，在无需使用任何三维标签的情况下，该方法在 KITTI 数据集上取得了与最先进方法相媲美的性能。
Dec, 2023
通过在训练过程中直接强制将强大的三维结构先验性知识融入模型，我们提出了一种新的方法来加强现有的自监督学习方法，并通过一系列数据集实验证明了我们的三维感知表示比传统的自监督基线更加稳健。
Jun, 2024