基于曲率多样性驱动的点云变形与域对齐
计算机视觉与模式识别
2024-10-08 v2 人工智能
摘要
无监督域适应 (UDA) 对减少在点云数据上训练深度网络时需要大量手动数据标注的需求至关重要。UDA的一个重要挑战在于有效地弥合域间的差距。为解决这一挑战，我们提出了基于曲率多样性驱动的核范数 Wasserstein 域对齐方法 (CDND)。我们首先引入一种\textit{基于曲率多样性驱动的变形重建任务 (CurvRec)}，该任务通过使模型能够从给定点云的语义丰富区域中提取显著特征来有效减小源域和目标域之间的差距。我们然后提出了\textit{基于变形的核范数 Wasserstein 差异 (D-NWD)}，将核范数 Wasserstein 差异应用于\textit{变形后和原始}数据样本，以对齐源域和目标域。此外，我们为 D-NWD 在分布对齐方面的有效性提供了理论依据，并演示其\textit{通用性}足以应用于任何变形。为验证我们的方法，我们在两个公共域适应数据集上进行了大量实验，数据集用于点云分类和分割任务。实验结果表明，我们的 CDND 在现有方法之上以显著的边际优势实现了最先进的性能。
关键词
引用
@article{arxiv.2410.02720,
title = {Curvature Diversity-Driven Deformation and Domain Alignment for Point Cloud},
author = {Mengxi Wu and Hao Huang and Yi Fang and Mohammad Rostami},
journal= {arXiv preprint arXiv:2410.02720},
year = {2024}
}