DINOSTAR：面向路边激光雷达应用的深度迭代神经目标检测自监督训练

近期深度学习方法在点云数据目标检测方面取得了显著进展，推动了交通安全与管理领域的诸多路边应用。然而，点云数据的复杂性对人工标注提出了巨大挑战，导致时间与资本的巨大支出。本文通过开发一个面向路边点云数据的端到端、可扩展且自监督的深度目标检测训练框架来解决此问题。该框架利用自监督、统计建模的教师模型来训练即插即用的深度目标检测器，从而规避了对人工监督的需求。教师模型遵循背景过滤、目标聚类、边界框拟合和分类等标准做法，以生成噪声标签。我们展示，通过在来自多位教师的综合噪声标注上训练学生模型，可增强其更有效地辨别背景/前景的能力，并迫使其为感兴趣的目标类别学习多样化的点云表示。涉及公开路边数据集和最先进的深度目标检测器的评估表明，本框架尽管未使用人工标注进行训练，却能实现相当于在人工标注标签上训练的深度目标检测器的性能。