Commonsense Prototype for Outdoor Unsupervised 3D Object Detection

当前的无监督三维物体检测方法通常采用基于聚类的伪标签生成和迭代自训练过程。然而，由于激光雷达扫描的稀疏性，这种方法存在伪标签的大小和位置错误，导致检测性能不佳的挑战。为了解决这个问题，本文提出了一种基于常识原型的检测器，称为CPD，用于无监督三维物体检测。CPD首先基于常识直觉构建常识原型（CProto），其具有高质量的边界框和密集的点。随后，CPD通过利用CProto的大小先验来改进低质量的伪标签。此外，CPD通过CProto的几何知识提高了稀疏扫描物体的检测精度。CPD在Waymo Open Dataset（WOD）、PandaSet和KITTI数据集上表现优于最先进的无监督三维检测器。此外，通过在WOD上训练CPD并在KITTI上测试，CPD在易于和中等车辆类别上分别获得了90.85％和81.01％的三维平均精度。这些成就使CPD与完全监督检测器的性能接近，突显了我们方法的重要性。该代码可在https://github.com/hailanyi/CPD上获得。

解决问题：论文尝试解决稀疏LiDAR扫描导致的伪标签错误，从而导致低效的无监督3D物体检测性能的问题。

关键思路：论文提出了一种基于常识原型的检测器（CPD），通过构建常识原型（CProto）来优化伪标签，并利用CProto的几何知识来提高稀疏扫描对象的检测精度。

亮点：CPD在Waymo Open Dataset（WOD）、PandaSet和KITTI数据集上的表现均优于现有的无监督3D检测器，并且在WOD上训练CPD并在KITTI上测试，CPD在易和中等车辆类别上分别达到了90.85%和81.01%的3D平均精度。代码将在https://github.com/hailanyi/CPD上公开。

相关研究：当前领域中的一些相关研究包括：《3D Object Detection with Pointformer》、《Leveraging 2D Data to Learn Textured 3D Mesh Generation》、《3D Object Detection from Point Clouds with Self-Supervised Learning》等。