近日，实验室在无监督点云目标检测领域取得重要进展。由吴海博士、赵世佳博士生、黄勋硕士生、夏启明博士生、温程璐教授（通讯作者）、香港中文大学（深圳）蒋理助理教授、美国Texas A&M Xin Li教授、王程教授合作完成的论文“Unsupervised 3D Object Detection by Commonsense Clue”被国际学术期刊《IEEE Transactions on Pattern Analysis and Machine Intelligence》（IEEE TPAMI）录用。IEEE TPAMI是计算机学科、人工智能领域的顶级国际期刊之一，是中国计算机学会推荐的A类期刊，影响因子为20.8（2024年）。

自主感知平台，如无人驾驶车辆、机器人，需要实时检测周围动态目标以实现自主避障与导航。基于全监督、半监督学习的目标检测方法高度依赖大量高质量人工标注。近年来实验室针对训练标注数据受限的难题，提出了系列弱/无监督学习点云目标检测方法（COIN, ICCV2023; HINTED, CVPR 2024; CPD, CVPR 2024; DOTA CVPR 2025; MOTAL ICCV 2025等）。其中，于2024年提出的常识原型约束下的无监督点云目标检测方法（CPD, CVPR 2024），可实现在大目标类型上的高性能无监督目标检测。在此基础上，本研究提出的CPD++进一步突破了室外开放场景小目标的无监督检测难题（如图1所示）。CPD++从静止目标中学习目标位置尺寸知识，从运动目标中学习类别知识，并通过迭代训练实现目标位置尺寸与类别知识的相互迁移，有效解决了无监督三维目标检测中标签匮乏与标签噪声大的问题。

本研究是实验室在三维目标感知方向的重要突破，可大幅提升无人驾驶训练样本的离线自动标注能力，为无人驾驶、低空无人机等产业降本增效提供有力技术支撑。

图 CPD++无监督点云目标检测框架