杨霁晗：香港大学一年级博士，主要研究方向为少样本学习，迁移学习。
报告题目：ST3D:一种基于自学习的3D目标检测无监督领域自适应方法
报告摘要：我们在3D点云目标检测无监督领域自适应任务上提出了一种新的领域自适应的自学习方法，叫做ST3D。首先，我们在源领域预训练一个检测器，并同时使用随机物体放缩作为数据增强来消除源领域带来的一些负面的领域偏差。然后，我们通过使检测器借助三元记忆仓库生成高质量的伪标签并利用高质量的伪标签结合渐进数据增强来得到更好的检测器进行迭代。这些专门的设计使我们的3D检测器能够在高质量和一致的伪标签上训练，并避免过拟合到大量的简单样本上。ST3D在多个取得了很好的性能，代码已经开源。
论文标题：ST3D: Self-training for Unsupervised Domain Adaptation on 3D Object Detection
Spotlight：
指出了3D目标检测无监督领域自适应的困难，以及利用自学习解决这个任务的一些挑战；
根据这些挑战重新设计了自学习的多个模块，使其适用于这个任务；
在多个迁移任务上取得了较大提升(16%-75%)。
1. Adversarial Discriminative Domain Adaptation
推荐理由：非常经典的无监督领域自适应的论文，主要是基于领域之间对齐方法给出的一个范式。
2. Maximum Classifier Discrepancy for Unsupervised Domain Adaptation
推荐理由：基于优化HΔH距离设计的一个全新训练范式，有更低的理论上界，而且可以摆脱对抗学习的不稳定及难训练问题。
3. Larger Norm More Transferable An Adaptive Feature Norm Approach for Unsupervised Domain Adaptation
推荐理由：ICCV best paper nomination，通过实验揭示了领域自适应中性能和L2范数之间的一些联系。
4. Self-Tuning for Data-Efficient Deep Learning
推荐理由：一种新的半监督和迁移学习的训练方式，主要是能够通过设计子任务来提高对于错误伪标签的容忍性。
5. Offboard 3D Object Detection from Point Cloud Sequences
推荐理由：一种离线的3D目标检测的自动标注方式，性能已经和人工标注相近。
6. LogME Practical Assessment of Pre-trained Models for Transfer Learning
推荐理由：一种根据下游任务和数据选择预训练模型的方法。
