APCoTTA：面向空中激光点云语义分割的持续测试时适应
计算机视觉与模式识别
2026-05-04 v4
摘要
空中激光扫描(ALS)点云语义分割是大规模3D场景理解的基础任务。部署在实际场景中的固定模型常因环境和传感器变化导致持续领域迁移，从而出现性能下降。持续测试时适应(CTTT)使模型适应于演变的无标签领域，但其在ALS点云上的应用仍鲜有探索，这由缺乏基准数据集以及灾难性遗忘和误差累积的风险所制约。为解决这些挑战，我们提出了APCoTTA(ALS点云持续测试时适应)，一种专为ALS点云语义分割设计的CTTT框架。APCoTTA包含三个关键组件。首先，我们为ALS点云适配梯度驱动的层选择机制， selectively更新低置信度层同时冻结稳定层，以保留源知识并缓解灾难性遗忘。其次，基于熵的一致性损失丢弃不可靠样本，仅对可靠样本强制一致性正则化，从而有效减少误差累积并提高适应稳定性。最后，引入随机参数插值机制，对适应后的参数与源模型参数进行随机混合，进一步平衡目标适应与源知识保留。最终，我们构建了两个基准数据集ISPRSC和H3DC，以弥补ALS点云分割CTTT基准数据集的不足。广泛的实验表明，APCoTTA在两个基准数据集上均表现出色，相较于直接推理，在mIoU上分别提升约9%和14%。该项目的新基准数据集和代码已发布于https://github.com/Gaoyuan2/APCoTTA。
关键词
引用
@article{arxiv.2505.09971,
title = {APCoTTA: Continual Test-Time Adaptation for Semantic Segmentation of Airborne LiDAR Point Clouds},
author = {Yuan Gao and Shaobo Xia and Sheng Nie and Cheng Wang and Xiaohuan Xi and Bisheng Yang},
journal= {arXiv preprint arXiv:2505.09971},
year = {2026}
}
备注
18 pages,12 figures