利用 LiDAR 传感器获取关于场景的精确几何信息支持自动驾驶，本文提供一种新颖的数据集，旨在为源数据集的性能评估提供跨领域评估，同时提供一个灵活的在线基准测试，以确保各种方法之间的公平比较。

Oct, 2023

本研究提出了一种新的基于统计学习方法的 LiDAR 全景分割的 UAD 方法，该方法利用数据依赖性和模型依赖性的两种不同的策略来解决无监督域适应问题，并在真实世界自动驾驶数据集上进行了广泛评估，结果显示该方法在 PQ 得分方面优于现有的 UDA 方法高达 6.41pp。

Sep, 2021

本文是关于智能汽车感知领域的深度转移学习综述，讨论了传感器、数据以及模型带来的领域差异及其挑战。该综述总结了现有的应用、挑战和未来研究方向，以解决深度学习中的特征分布差异问题。

Jun, 2023

本研究通过提出基于 CycleGAN 架构的域自适应框架，在从真实 3D LiDAR 传感器获取的鸟瞰（BEV）点云图像上检测车辆时，将合成的点云数据与真实点云数据之间的领域转移缩小，相对于常规方法提高了超过 7% 的平均精确度分数。

May, 2019

本文介绍了一种无监督领域自适应的方法，使用隐式表面表示同时在源数据和目标数据上进行学习的辅助任务来缓解不同激光雷达模式或获取条件变化等原因导致的性能差异，实验证明了该方法比现有技术在合成到真实和真实到真实的情况下均取得了更好的性能。

Apr, 2023

通过利用未标记的多次穿越多个位置的方法，我们提出了一种用于自动驾驶汽车的 3D 物体检测系统的快速发展，该方法能够适应新的驾驶环境，并且在检测行人和远处物体方面取得了显著的性能提升。

Sep, 2023

本文综述了目前 LiDAR 技术在自动驾驶汽车领域所处的状态，涉及了从激光发射器到其光束扫描机制等组件，以及该技术处理感知数据的特定流程，其中探讨了模型驱动方法和新兴的深度学习解决方案，最后总结了该技术的局限性和面临的挑战及趋势。

Apr, 2020

本研究通过详细描述检测的域适应问题并对各种方法进行广泛概述，强调提出的策略及其相关的缺点，为未来的研究提供有前途的问题，并向计算机视觉、生物计算、医学影像和自主导航等领域的模式识别专家介绍了当前进展的现状。

May, 2021

本研究提供了关于计算机视觉领域中，基于深度学习的深度域适应方法的全面概述，分类不同的深度域适应情景，总结了深度域适应方法，重点分析比较了各种情况下的最先进方法，并着重强调了当前方法的潜在缺陷和未来几个方向。

Feb, 2018

自动驾驶中的 LiDAR 数据集存在诸如点云密度、范围和物体尺寸等属性偏差，因此在不同环境中训练和评估的物体检测网络往往会遇到性能下降的问题。为了解决这个问题，域自适应方法假设可以获取来自测试分布的未标注样本。但是，在实际世界中，部署条件和获得代表测试数据集的样本可能无法获得。我们认为，更现实和具有挑战性的形式是要求对未知目标域具有性能的鲁棒性。我们提出了一种双重方式来解决这个问题。首先，我们利用大多数自动驾驶数据集中存在的配对的 LiDAR - 图像数据进行多模态物体检测。我们建议通过利用图像和 LiDAR 点云的多模态特征来进行场景理解任务，从而使得物体检测器对未知域的转换更加鲁棒。其次，我们训练一个 3D 物体检测器，在不同分布之间学习多模态物体特征，并促进这些源域之间的特征不变性，以提高对未知目标域的泛化性能。为此，我们提出了 CLIX$^ ext {3D}$，它是一个用于 3D 物体检测的多模态融合和有监督对比学习框架，它在对不同数据集转换下实现了最先进的域泛化性能。

Apr, 2024