用于点云分割域适应的组合式语义混合方法

用于三维点云语义分割的深度学习模型在由不同传感器采集或在不同环境中采集的数据上进行训练与测试时，由于域偏移而表现出有限的泛化能力。可采用域适应方法来缓解这种域偏移，例如模拟传感器噪声、开发域无关生成器或训练点云补全网络。这些方法通常针对距离视图地图定制或需要多模态输入。相比之下，图像域中的域适应可通过样本混合来执行，其侧重于输入数据操作而非采用独立的适应模块。在本研究中，我们引入用于点云域适应的组合式语义混合，这是首个基于语义与几何样本混合的点云分割无监督域适应技术。我们提出了一种双分支对称网络架构，能够同时处理来自源域（如合成数据）和来自目标域（如真实世界）的点云。每个分支在一个域内运作，通过整合来自另一域的选定数据片段并利用源自源标签和目标（伪）标签的语义信息。此外，我们的方法可利用有限数量的人工点级标注（半监督）来进一步提升性能。我们使用LiDAR数据集在合成到真实和真实到真实两种场景下评估了我们的方法，并证明其在无监督和半监督设置下均显著优于最先进的（SOTA）方法。