DODA：面向数据驱动的仿真到真实域自适应用于三维语义分割
计算机视觉与模式识别
2022-07-22 v2 机器学习
摘要
深度学习方法在三维语义分割中取得了显著成功。然而，收集密集标注的真实世界三维数据集极其耗时且昂贵。在合成数据上训练模型并泛化到真实场景成为一种有吸引力的替代方案，但不幸地受到臭名昭著的域偏移的困扰。在这项工作中，我们提出一种数据导向的域自适应（Data-Oriented Domain Adaptation, DODA）框架，以缓解由跨域不同感知机制和布局放置引起的模式与上下文差距。我们的DODA包含虚拟扫描模拟以模仿真实世界点云模式，以及尾部感知长方体混合以通过基于长方体的中间域缓解内部上下文差距。首个针对三维室内语义分割的无监督仿真到真实自适应基准也建立在3D-FRONT、ScanNet和S3DIS之上，并涵盖7种流行的无监督域自适应（Unsupervised Domain Adaptation, UDA）方法。我们的DODA在3D-FRONT -> ScanNet和3D-FRONT -> S3DIS上均超越现有UDA方法超过13%。代码可在 https://github.com/CVMI-Lab/DODA 获取。
引用
@article{arxiv.2204.01599,
title = {DODA: Data-oriented Sim-to-Real Domain Adaptation for 3D Semantic Segmentation},
author = {Runyu Ding and Jihan Yang and Li Jiang and Xiaojuan Qi},
journal= {arXiv preprint arXiv:2204.01599},
year = {2022}
}
备注
ECCV 2022