OYSTER：基于LiDAR点云的无监督目标检测方向
OYSTER 是一种基于 LiDAR 点云的无监督目标检测方法，旨在解决自驾驶场景中的目标检测问题。该方法不需要人工标注数据，能够在零样本学习的情况下检测对象，并且能够不断自我改进。下面是 OYSTER 方法的详细说明：
1. 点云聚类：在近距离区域，点云非常稠密，这时可以使用点云聚类算法来检测对象。这种方法可以检测到近距离的对象，但是对于远距离的对象检测效果不佳。
2. 时序一致性：为了过滤掉噪声检测结果，可以使用时序一致性算法来检测对象。这种方法可以检测到对象的运动轨迹，并且可以过滤掉噪声检测结果。
3. CNN 的平移不变性：使用 CNN 模型可以检测到对象，并且可以扩展到远距离的检测。这种方法可以检测到对象的平移不变性，从而提高检测准确率。
4. 自监督学习：OYSTER 方法使用自监督学习来提高检测准确率。这种方法可以在检测到对象后，自动生成标签，并且可以不断自我改进。
OYSTER 方法的优点是：
* 不需要人工标注数据，可以零样本学习检测对象。
* 可以检测到远距离的对象，并且可以检测到对象的运动轨迹。
* 可以不断自我改进，提高检测准确率。
OYSTER 方法的应用场景：
* 自驾驶场景：OYSTER 方法可以应用于自驾驶场景中的目标检测问题。
* 机器人视觉：OYSTER 方法可以应用于机器人视觉中的目标检测问题。
OYSTER 方法的性能评估：
* 使用 Planning-Centric Perception metric 来评估模型性能。
* 在 PandaSet 和 Argoverse 2 Sensor 数据集上进行评估，结果表明 OYSTER 方法优于无监督基线。
OYSTER 方法是一种基于 LiDAR 点云的无监督目标检测方法，能够检测到对象，并且可以不断自我改进。该方法可以应用于自驾驶场景中的目标检测问题，并且可以扩展到其他机器人视觉场景中。
