面向点云无监督域适应的可学习自监督任务
计算机视觉与模式识别
2021-04-13 v1
摘要
深度神经网络在有监督点云应用中取得了令人瞩目的性能，但在有监督学习范式下人工标注极为昂贵且耗时。无监督域适应 (UDA) 通过仅使用源域标注数据训练模型，使模型在目标域良好泛化来解决该问题。已有研究表明，利用源域与目标域数据的自监督学习有助于提升训练模型的适应性，但它们都依赖自监督任务的手动设计。本文提出一种可学习自监督任务，并将其整合进基于自监督的点云 UDA 架构中。具体而言，我们提出一种可学习非线性变换，将部分点云变换以生成大量复杂点云，同时保留原始语义信息，所提自监督任务是从变换后的点云重建原始点云。在 UDA 架构中，自监督任务与点云分类或分割主任务的网络共享一个编码器，从而使编码器能训练提取适用于源域与目标域数据的特征。在 PointDA-10 与 PointSegDA 数据集上的实验表明，所提方法在点云 UDA 的分类与分割任务上均取得了新的 SOTA 性能。代码将公开可用。
引用
@article{arxiv.2104.05164,
title = {A Learnable Self-supervised Task for Unsupervised Domain Adaptation on Point Clouds},
author = {Xiaoyuan Luo and Shaolei Liu and Kexue Fu and Manning Wang and Zhijian Song},
journal= {arXiv preprint arXiv:2104.05164},
year = {2021}
}
备注
10 pages, 4 figures, 5 tables