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

本研究提出一种应用于基于激光雷达的 3D 物体检测器的无源自适应方法，该方法使用班级原型来缓解误标签噪声的影响，利用转换器模块识别对应于错误、过于自信的注释的离群 ROI，通过自学习的过程，降低伪标签的损失并提高性能。

Nov, 2021

本文研究了自动驾驶中的三维物体检测适应性问题，发现适应性差距的主要障碍在于地理区域间的车辆大小差异，提出了一种简单的校正方法，可用于大多数三维物体检测框架，为跨国家的三维物体检测适应性提供了第一个基准。

May, 2020

利用合成的离群对象数据生成特征图以对未知物体进行检测并使用多层感知器分类，从而有效处理自动驾驶中的风险和可靠性问题。

Apr, 2024

我们在这项研究中填补现有无监督领域自适应方法的空白，这些方法主要集中于适应已经建立的高密度自动驾驶数据集。我们专注于稀疏的点云，从不同的角度捕捉场景，不仅来自道路上的车辆，还来自人行道上的移动机器人，遇到显著不同的环境条件和传感器配置。我们引入了无监督对抗领域自适应三维物体检测（UADA3D），不依赖于预训练源模型和师生架构，而是使用对抗性方法直接学习域不变特征。我们在各种适应场景中证明了其功效，在自动驾驶汽车和移动机器人领域都取得了显著的改进。我们的代码是开源的，即将推出。

Mar, 2024

介绍了一种无锚点、无 NMS 的 3D 点云目标检测器，使用对象关键点编码 3D 属性实现端到端检测，利用数据增强和点着色以及投影到相机空间和图像感知信息的附加属性来增强性能，并通过模型集成和 TTA 在 3D 检测和域自适应路线上实现了第一名。

Jun, 2020

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

利用空间几何对齐和时间运动对齐构建自适应域归一化方法，以头显和机械扫描激光雷达的点云数据为例，实现了跨设备 3D 检测的最新性能水平。

Dec, 2022

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

基于深度学习的雷达感知、三维物体检测、激光雷达点云、雷达数据的检测性能和适配等方面的研究综述。

Aug, 2023