通过训练一个鲁棒的单目三维物体检测模型，采用包括多样化的三维和二维数据集、有选择地训练不同类别注释的数据集和使用二维标签的伪三维训练方法，我们可以获得具有强大泛化能力和对只有二维标签的新数据集表现出色的模型。

Oct, 2023

MS3D++ 是一个用于 3D 目标检测的自我训练框架，通过生成高质量的伪标签实现多源无监督域适应，改进了 3D 检测器在不同领域中的泛化能力，并在 Bird's Eye View（BEV）评估中，使用 MS3D++ 伪标签训练的检测器在低密度和高密度 lidar 的性能上达到了与人工标注标签相媲美的最新水平。

Aug, 2023

提出了一种新的自我训练管道 MS3D，用于无监督领域适应的 3D 目标检测，其使用不同的预训练探测器结合时间信息生成高质量的伪标签进行微调。使用我们提出的核密度估算（KDE）盒融合方法来融合来自多个域的盒子提议，以获得超过最佳源域探测器性能的伪标签。MS3D 表现出更大的领域位移鲁棒性，并能够在较大距离上产生准确的伪标签，因此非常适合从高到低波束领域适应和反之。该方法在所有评估数据集上都取得了最先进的性能，而且我们证明了预先训练源探测器的选择对自我训练结果影响较小，因此 MS3D 适用于实际应用。

Apr, 2023

本论文提出了一种新的域自适应自训练流水线（ST3D），用于基于点云的 3D 物体检测的无监督域自适应。该流水线通过特定的设计使检测器能够与一致且高质量的伪标签进行训练，并避免过度配合伪标记数据中大量的易样本，实现了对所有评估数据集的领先性能，并甚至超过了 KITTI 3D 目标检测基准的全监督结果。

Mar, 2021

提出了一种使用相机数据和鸟瞰图的多视角三维物体检测的网络结构，通过域适应和可视数据传输解决了当前的关键挑战。

Nov, 2023

该论文研究了如何训练一个来自多个数据集的统一 3D 检测器，提出了一种名为 Uni3D 的方法来解决数据级别和分类学级别的差异，证明了该方法的有效性并对进一步的 3D 泛化研究具有启发意义。

Mar, 2023

我们提出了一种单域泛化多任务学习方法，通过引入新颖的数据增强方法和多任务学习策略，改进了 3D 物体检测的泛化性能，并提出了首个用于 3D 物体检测领域泛化的测试时适应方法。

Nov, 2023

提出了一种半监督领域自适应方法，名为 “SSDA3D”，包括两个阶段的 Point-CutMix 模块和 Intra-domain Generalization，很好地解决了不同 LiDAR 配置、城市和天气等领域间偏移问题，不依赖于大量标注数据，在只有 10％目标数据标注的情况下，可以超过 100％目标标签的完全监督模型。

Dec, 2022

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

这篇论文主要介绍了一种针对基于 LiDAR 的 3D 目标检测的新的半监督领域自适应 (SSDA) 方法，名为目标导向域增强 (TODA)，它有效利用了所有可用的数据，包括源领域中的标记数据以及目标领域中的标记数据和未标记数据，以提高域适应性能。通过在目标领域中引入混合增强和点对点对抗增强的策略，TODA 在困难的域适应任务中表现出显著的优势。

Jun, 2024