移動物体セグメンテーションは、自動運転車などの安全で信頼性のある自律移動システムにおいて重要な役割を果たします。従来のカメラやLiDARデータのセグメンテーションは広く研究されていますが、時間的文脈を得るために多くのデータを必要とし、遅延を引き起こします。これに対し、レーダーセンサーはDoppler速度を直接測定できるため、単一スキャンでの移動物体セグメンテーションが可能ですが、点群がスパースでノイジーであるため、教師あり学習のためのデータ注釈は非常に手間とコストがかかります。本研究では、スパースでノイジーなレーダーポイントクラウドに対する自己教師あり移動物体セグメンテーションのタスクに取り組みます。具体的には、対照的自己教師あり表現学習と限られた注釈データを使用した教師ありファインチューニングの二段階アプローチを採用し、動的ポイント除去に基づくクラスタ再調整を用いた新しいクラスタリングベースの対照損失関数を提案します。この方法により、ファインチューニング後のラベル効率が向上し、最先端の性能を大幅に向上させることができました。