Point-Syn2Real:用于三维点云中目标分类的半监督合成到真实跨域学习
计算机视觉与模式识别
2022-11-01 v1 多媒体
摘要
使用 LiDAR 三维点云数据的目标分类对自动驾驶等现代应用至关重要。然而,点云数据的标注劳动密集,因为需要人工标注者从不同视角可视化和检查三维数据。本文提出一种不依赖点云人工标注且性能与全监督方法相近的半监督跨域学习方法。我们利用可用的三维目标模型来训练可泛化到真实世界点云的分类器。我们通过从多个视点并对任意部分遮挡进行采样来模拟点云的获取。然后我们通过随机旋转和添加高斯噪声来增强所得点云集合,以更好地模拟真实场景。随后我们在合成与增强的数据集上训练点云编码模型(如 DGCNN、PointNet++),并在相应的真实世界数据集上评估其跨域分类性能。我们还引入了 Point-Syn2Real,一个用于点云跨域学习的新基准数据集。我们使用该数据集的大量实验结果表明,所提出的点云跨域学习方法在室内和室外设置下,就跨域泛化性而言均优于相关基线和最先进方法。代码与数据将在发表后公开。
引用
@article{arxiv.2210.17009,
title = {Point-Syn2Real: Semi-Supervised Synthetic-to-Real Cross-Domain Learning for Object Classification in 3D Point Clouds},
author = {Ziwei Wang and Reza Arablouei and Jiajun Liu and Paulo Borges and Greg Bishop-Hurley and Nicholas Heaney},
journal= {arXiv preprint arXiv:2210.17009},
year = {2022}
}