MEnsA：用于三维点云无监督多目标域自适应的混合集成平均方法
计算机视觉与模式识别
2023-04-07 v2 人工智能
摘要
无监督域自适应 (UDA) 解决无标签目标域与有标签源域之间分布偏移的问题。尽管单目标域自适应 (STDA) 在二维与三维视觉任务文献中已被充分研究，多目标域自适应 (MTDA) 在三维数据上几乎未被探索，尽管其在如针对不同地理与气候条件的自动驾驶系统等广泛现实应用中十分重要。我们通过提出将所有域的特征表示混合在一起以通过集成平均实现更好域自适应性能，建立了三维点云数据的 MTDA 基线，我们称之为混合集成平均或 MEnsA。利用混合表示，我们使用域分类器在共享潜空间中更好区分源域与目标域的特征表示。在具有挑战性的 PointDA-10 数据集上的实证验证中，我们展示了相较先前无监督 STDA 与 MTDA 方法，我们简单方法具有明显优势（在所有域偏移上平均提升高达 17.10% 与 4.76%）。
引用
@article{arxiv.2304.01554,
title = {MEnsA: Mix-up Ensemble Average for Unsupervised Multi Target Domain Adaptation on 3D Point Clouds},
author = {Ashish Sinha and Jonghyun Choi},
journal= {arXiv preprint arXiv:2304.01554},
year = {2023}
}
备注
Accepted at Workshop on Learning with Limited Labelled Data (CVPR 2023)