题目：CMD: A Cross Mechanism Domain Adaptation Dataset for 3D Object Detection
作者：邓锦豪1（厦门大学），叶伟1（厦门大学），吴海（厦门大学），黄勋（厦门大学），夏启明（厦门大学），Xin Li(Texas A&M)，方进(嬴彻科技)，李伟*(嬴彻科技)，温程璐*（厦门大学），王程（厦门大学）
论文来源：2024 ECCV European Conference on Computer Vision
数据集链接：https://github.com/im-djh/CMD
随着三维传感器的快速更新迭代，研究自动驾驶场景中不同传感器间相互的知识迁移尤为重要。然而，目前大多数自动驾驶开源数据集以机械旋转式的激光雷达三维传感器为主，而体积更小、成本更低的固态激光雷达较少被考虑。已有自动驾驶数据集在三维传感器设置上的不足，导致了三维感知传感器这个关键因素难以被量化分析，因此目前域自适应三维目标检测方法在跨体制传感器任务上表现不佳。
为了解决上述挑战，实验室开源了Cross Mechanism Dataset（CMD）三维目标检测数据集。与现有三维目标检测数据集相比，它有以下几方面的特点：
1. 覆盖多种体制激光雷达及多种模态传感器类型：CMD包含了（1）高线束（128）和低线束（32）的机械式激光雷达；（2）固态/半固态激光雷达；（3）4D毫米波雷达；（4）相机。
2. 精确的时间同步与标定：各传感器间实现了误差在1ms以内的时间同步，并进行了精确的传感器标定。
3. 丰富的场景和光照条件：CMD覆盖了城区、郊区、乡村、公路、桥梁、隧道、校园等场景，由从明亮到昏暗五种光照强度等级的50个序列组成，每个传感器包含10000帧数据。
基于CMD数据集，我们还提出了从密度（Density）、强度（Intensity）、几何形状（Geometry）三个方面解决跨体制域自适应三维目标检测问题的基准方法DIG。本数据集CMD与域自适应方法DIG的提出，将为跨体制域自适应三维目标检测研究提供数据支撑和方法参考，推进三维目标检测算法在不同三维传感器间迁移能力的相关研究。
图1 CMD的传感器设置
图2 不同场景不同光照条件的可视化
图3 与现存数据集的对比