激光雷达 3D 物体检测器对未知领域的泛化能力的实证研究
内容提要
本文综述基于激光雷达的3D目标检测域自适应研究，涵盖无源自适应、跨区域车辆尺寸校正、无锚点无NMS检测器、空间几何与时间运动对齐、单域泛化多任务学习、MS3D++自训练、SSDA3D半监督及CycleGAN域自适应等方法，以解决传感器配置、地理区域和天气差异导致的域偏移问题。
延伸解读
域偏移的主要来源与应对思路
文章指出，激光雷达3D检测器的域偏移主要源于传感器配置、地理区域和天气差异。其中，地理区域间的车辆尺寸差异被识别为适应性差距的主要障碍，简单的尺寸校正方法即可提升跨国家检测性能。针对传感器差异，空间几何与时间运动对齐被用于构建自适应域归一化。这些发现提示，实际部署中应优先识别主导偏移因素，再选择针对性方法。
自训练与半监督方法的实际收益
MS3D++通过生成高质量伪标签实现多源无监督域适应，在BEV评估中，使用其伪标签训练的检测器在低密度和高密度激光雷达上的性能可与人工标注标签相媲美。SSDA3D则在不依赖大量标注数据的情况下，仅用10%目标数据标注即可超过100%目标标签的完全监督模型。这表明，在标注成本高的场景下，自训练和半监督方法能显著降低数据需求。
方法多样性与评估基准的局限
文章综述了无源自适应、无锚点无NMS检测器、单域泛化多任务学习、CycleGAN域自适应等多种方法，并提到跨国家3D物体检测适应性的首个基准。然而，这些方法多在特定数据集或传感器配置下验证，泛化到全新未知领域的效果仍需进一步检验。读者应注意，不同方法的性能对比受评估协议和域定义影响，不宜直接跨研究比较。
Q&A
激光雷达3D物体检测中，域自适应要解决哪些主要问题？
主要解决传感器配置、地理区域和天气差异导致的域偏移问题。
跨国家进行3D物体检测时，适应性差距的主要障碍是什么？
主要障碍是地理区域间的车辆大小差异。
SSDA3D半监督域自适应方法有什么特点？
SSDA3D包括两个阶段的Point-CutMix模块和Intra-domain Generalization，不依赖大量标注数据，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。
MS3D++自训练框架如何提升3D检测器的泛化能力？
MS3D++通过生成高质量的伪标签实现多源无监督域适应，使用其伪标签训练的检测器在低密度和高密度lidar的BEV评估中性能达到与人工标注标签相媲美的最新水平。
基于CycleGAN的域自适应框架在车辆检测上效果如何？
该框架在从真实3D LiDAR传感器获取的BEV点云图像上检测车辆时，将合成点云与真实点云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。
无锚点、无NMS的3D点云目标检测器有什么特点？
该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。
