LEROjD：激光雷达扩展的纯雷达目标检测
内容提要
本研究提出了一种基于跨模态知识蒸馏的半监督训练框架，显著提升了单目三维检测性能。通过双向LiDAR-Radar融合框架解决了雷达数据稀疏性问题，并在多个数据集上表现优异。此外，研究探讨了雷达与激光雷达数据融合在恶劣天气下的物体检测能力，提出了相机-雷达知识蒸馏框架，进一步提升了检测性能。
延伸解读
跨模态蒸馏如何提升单目3D检测
文章提出基于跨模态知识蒸馏的半监督框架，将LiDAR模态知识迁移到图像模态，利用大规模未标记数据提升单目三维检测性能。该方法在KITTI测试集和Waymo验证集上优于先前最先进方法，表明跨模态蒸馏能有效弥补单目视觉在深度估计上的不足，为低成本自动驾驶感知提供了可行路径。
雷达稀疏性问题的融合解决思路
针对雷达数据稀疏且缺乏高度信息的问题，文章介绍双向LiDAR-Radar融合框架Bi-LRFusion，通过学习LiDAR分支的重要细节增强雷达本地特征，并在nuScenes和ORR数据集上验证了优于现有技术的表现。该方案通过统一的俯视图表示融合两者特征，为动态目标3D检测提供了更鲁棒的感知基础。
恶劣天气下的融合检测与知识蒸馏
文章探讨了雷达与激光雷达融合在恶劣天气下的物体检测能力，并介绍RadarDistill方法，通过知识蒸馏将LiDAR特征的理想特性转移到雷达特征，实现基于雷达的检测任务最先进性能。此外，相机-雷达知识蒸馏框架CRKD以鸟瞰图作为共享特征空间，弥合了相机-雷达融合与LiDAR-相机融合之间的性能差距。
自动标注与无监督检测的进展
为应对4D雷达数据集不足，文章提出利用4D雷达张量在K-Radar数据集上自动生成标注的方法，训练雷达张量网络RTNH，实验表明其检测性能与人工标注相当。同时，针对激光雷达点云标签不足，研究提出利用视觉-语言信息指导目标分类的无监督方法，在Waymo和Argoverse 2上分别提升23和7.9的AP3D。
Q&A
什么是基于跨模态知识蒸馏的半监督训练框架？
基于跨模态知识蒸馏的半监督训练框架通过从未标记数据中有效传输LiDAR模态到图像模态的知识，显著提高了单目三维检测性能。
双向LiDAR-Radar融合框架的主要功能是什么？
双向LiDAR-Radar融合框架通过增强Radar的本地特征，解决了雷达数据的稀疏性和缺乏高度信息的问题。
如何提高恶劣天气下的物体检测能力？
通过雷达与激光雷达数据的融合，可以充分利用它们的互补优势，从而提高恶劣天气条件下的物体检测能力。
相机-雷达知识蒸馏框架的目的是什么？
相机-雷达知识蒸馏框架旨在弥合相机-雷达融合和LiDAR-相机融合之间的性能差距。
研究中提出的自动标注方法有什么优势？
自动标注方法利用4D雷达张量在K-Radar数据集上自动生成标注，验证了其有效性，并实现了与人工标注相当的检测性能。
无监督检测方法如何提升激光雷达点云的检测性能？
无监督检测方法利用视觉-语言信息指导目标分类，挖掘激光雷达点云的时空信息，从而显著提升检测性能。
