面向物体点云无监督域自适应的几何感知自训练
计算机视觉与模式识别
2021-12-17 v1
摘要
由于数据采集过程不一致，物体的点云表示可能存在较大的几何变化，从而因跨数据集多样且不可控的形状表示导致域差异。为从实用可行的角度提升对基于点的几何未见分布的判别力，本文提出一种用于物体点云分类无监督域适应的新几何感知自训练（GAST）方法。具体地，本文旨在通过两个新颖的自监督几何学习任务作为特征正则化来学习语义类别的域共享表示。一方面，表示学习由点云样本与其自生成旋转标签的线性混合增强，以捕捉局部几何的全局拓扑构型。另一方面，跨数据集的多样点分布可通过一种新颖的曲率感知畸变定位得以规范化。在 PointDA-10 数据集上的实验表明，我们的 GAST 方法显著优于 SOTA 方法。
引用
@article{arxiv.2108.09169,
title = {Geometry-Aware Self-Training for Unsupervised Domain Adaptationon Object Point Clouds},
author = {Longkun Zou and Hui Tang and Ke Chen and Kui Jia},
journal= {arXiv preprint arXiv:2108.09169},
year = {2021}
}