HGL：面向 3D 点云分割测试时适应的层次几何学习
计算机视觉与模式识别
2024-07-18 v1
摘要
3D 点云分割因其日益增长的应用而受到广泛关注。然而，由于测试数据与训练数据之间的分布迁移，模型的泛化能力在动态场景中受到制约。为促进跨场景的鲁棒性和适应性，最近引入了测试时适应 (TTA)。然而，大多数现有 TTA 方法是为图像开发的，而针对点云的有限方法忽略了点云流中固有的层次几何结构，即局部（点级）、全局（对象级）和时间（帧级）结构。本文深入研究了 3D 点云分割中的 TTA，提出一种新型层次几何学习 (HGL) 框架。HGL 以自下而上方式包含从局部到时间的三个互补模块。技术上，我们首先构建局部几何学习模块用于生成伪标签。随后从全局几何角度构建原型用于伪标签细化。进一步引入时间一致性正则化模块以缓解负迁移。在四个数据集上进行大量实验表明，我们的 HGL 方法在有效性和优越性方面均具有优势。值得注意的是，在 SynLiDAR 到 SemanticKITTI 任务上，HGL 实现了 46.91% 的整体 mIoU，较 GIPSO 提升 3.0%，显著将所需适应时间缩短 80%。代码已公开。
引用
@article{arxiv.2407.12387,
title = {HGL: Hierarchical Geometry Learning for Test-time Adaptation in 3D Point Cloud Segmentation},
author = {Tianpei Zou and Sanqing Qu and Zhijun Li and Alois Knoll and Lianghua He and Guang Chen and Changjun Jiang},
journal= {arXiv preprint arXiv:2407.12387},
year = {2024}
}