Label-Efficient 3D Object Detection For Road-Side Units

遮挡对于自动驾驶等安全关键应用来说是一个重大挑战。最近，协同感知因为能够通过与智能路侧单元（RSU）进行深度信息融合来增强自动驾驶车辆的感知能力，从而最小化遮挡的影响而引起了广泛的研究兴趣。虽然取得了显著进展，但这些方法的数据需求量大，这在实际部署中是一个重大障碍，尤其是由于需要注释 RSU 数据。手动注释所需的大量 RSU 数据是 prohibitively expensive 的，考虑到交叉口的数量和注释点云所需的工作量。我们通过设计一种基于无监督对象发现的标签有效的 RSU 目标检测方法来应对这一挑战。我们的论文引入了两个新模块：一个用于基于空间 - 时间聚合点云进行对象发现，另一个用于细化。此外，我们证明在少量注释数据上进行微调可以使我们的对象发现模型缩小性能差距，甚至超过完全监督模型。我们在模拟和实际数据集上进行了广泛的实验来评估我们的方法。

本文旨在解决自动驾驶等安全关键应用中的遮挡问题，通过与智能路侧单元(RSU)进行深度信息融合来增强自动驾驶车辆的感知能力，从而最小化遮挡的影响。但是，这些方法对数据的需求量很大，需要大量标注 RSU 数据，手动标注这些数据的代价非常高昂。

本文提出了一种基于无监督目标发现的标签高效的 RSU 目标检测方法。引入了两个新模块：一个基于空间-时间聚合点云的目标发现模块，另一个用于精细化的模块。本文还证明，对少量标注数据进行微调可以使目标发现模型缩小与完全监督模型的性能差距，甚至超越完全监督模型。

本文设计了大量实验来评估该方法，包括模拟和真实数据集。本文的方法具有可扩展性，可以应用于其他场景中。此外，本文的方法还可以用于其他自动驾驶应用中，如自主导航和环境感知等。本文的代码已经在 GitHub 上开源。

最近的相关研究包括：1）使用深度学习技术来解决遮挡问题；2）使用半监督或无监督学习来减少标注数据的需求量；3）使用传感器融合技术来增强自动驾驶车辆的感知能力。其中，与本文最相关的研究包括：1）'Collaborative Deep Learning for Autonomous Driving'；2）'Unsupervised Learning for Object Detection in Autonomous Driving: A Review'。