PatchContrast：面向3D目标检测的自监督预训练

在环境中准确检测物体是自动驾驶车辆的关键挑战。然而，获取用于检测的标注数据昂贵且耗时。我们提出PatchContrast，一种新颖的用于3D目标检测的自监督点云预训练框架。我们提议利用两层抽象从无标签数据中学习判别性表示：提议级和块级。提议级旨在相对于周围环境定位物体，而块级添加关于物体各组成部分内部连接的信息，从而基于单个组成部分区分不同物体。我们展示了如何将这些层级整合进自监督预训练中以增强各种骨干网络的下游3D检测任务。我们表明，我们的方法在三个常用3D检测数据集上优于现有的最先进模型。