基于灵敏度图偏度定位并消除点云域适应中的梯度冲突
计算机视觉与模式识别
2025-04-23 v1 机器学习
摘要
利用点云数据进行对象分类的模型是 3D 媒体理解的基础模型，但它们在面对未见或分布外 (OOD) 场景时常常表现不佳。现有的点云无监督域适应 (UDA) 方法通常采用多任务学习 (MTL) 框架，将主要分类任务与辅助自监督任务组合，以弥合跨域特征分布之间的差距。然而，我们的进一步实验表明，并非所有来自自监督任务的梯度都有益处，部分梯度可能负面影响分类性能。本文提出一种新方法——基于灵敏度图偏度的点云域适应数据采样块 (Saliency Map-based Data Sampling Block, SM-DSB)，以消除这些梯度冲突。具体而言，我们设计了一种基于 3D 灵敏度图偏度的评分机制，用于估计梯度冲突，而无需目标标签。基于此，我们开发了一种样本选择策略，动态筛选出那些对分类不有益的自监督梯度样本。该方法可扩展性强，计算开销 modest，且可集成到所有点云 UDA MTL 框架中。广泛的评估表明，我们的方法超越了当前的 SOTA 方法。在此基础上，我们提供了一种新视角，通过反向传播分析来理解 UDA问题。
引用
@article{arxiv.2504.15796,
title = {Locating and Mitigating Gradient Conflicts in Point Cloud Domain Adaptation via Saliency Map Skewness},
author = {Jiaqi Tang and Yinsong Xu and Qingchao Chen},
journal= {arXiv preprint arXiv:2504.15796},
year = {2025}
}