PC-Adapter：基于拓扑感知适配器与校正伪标签的点云高效域适应方法
计算机视觉与模式识别
2023-10-02 v1 人工智能
机器学习
摘要
由于物体尺度变化、传感器角度及自遮挡导致的数据分布偏移，理解真实世界捕获的点云具有挑战性。先前工作通过结合自监督学习、自训练和对抗训练等近期学习范式来解决该问题，但这带来了显著的计算开销。为实现简洁而强大的点云域适应，我们重新审视了域偏移场景下点云数据面临的独特挑战，并发现了源数据全局几何结构的重要性，以及目标伪标签偏向源标签分布的趋势。受上述观察启发，我们提出了一种适配器引导的域适应方法 PC-Adapter，其利用基于注意力的适配器保留源域的全局形状信息，同时通过另一个配备图卷积的适配器学习目标域的局部特征。此外，我们提出了一种对分类器偏差具有鲁棒性的新颖伪标签策略，通过使用各类别置信度分布调整置信度分数以考虑相对置信度。我们的方法在 PointDA、GraspNetPC 和 PointSegDA 等基准数据集的多种域偏移设定下均展现出优于基线的性能。
引用
@article{arxiv.2309.16936,
title = {PC-Adapter: Topology-Aware Adapter for Efficient Domain Adaption on Point Clouds with Rectified Pseudo-label},
author = {Joonhyung Park and Hyunjin Seo and Eunho Yang},
journal= {arXiv preprint arXiv:2309.16936},
year = {2023}
}
备注
11 pages; Accepted to ICCV 2023