面向 6D 物体位姿回归无监督域自适应的流形感知自训练
计算机视觉与模式识别
2023-11-21 v2
摘要
本文通过全局特征对齐与对目标空间中离散化锚类别粗分类的局部细化，弥合了视觉回归（如 6D 位姿估计）中合成数据与真实数据之间的域差距，从而将分段目标流形正则化引入域不变表示学习。具体而言，我们的方法将显式的自监督流形正则化（揭示跨域一致的目标累积依赖关系）融入自训练方案（如流行的自步自训练），以鼓励回归任务更具判别性的可迁移表示。此外，学习统一的隐式神经函数以估计目标相对于其最近类别箱的相对方向与距离，旨在细化目标分类预测，从而针对对 UDA 回归器敏感的不一致特征缩放获得鲁棒性能。在具有挑战性的 6D 位姿估计任务的三个公开基准上的实验结果可验证我们方法的有效性，在 6D 位姿估计的 UDA 上持续取得优于最先进方法的性能。
引用
@article{arxiv.2305.10808,
title = {Manifold-Aware Self-Training for Unsupervised Domain Adaptation on Regressing 6D Object Pose},
author = {Yichen Zhang and Jiehong Lin and Ke Chen and Zelin Xu and Yaowei Wang and Kui Jia},
journal= {arXiv preprint arXiv:2305.10808},
year = {2023}
}
备注
Accepted by IJCAI 2023