PointDAN：一种用于点云表示的多尺度三维域自适应网络
计算机视觉与模式识别
2019-11-26 v1 机器学习
摘要
域自适应（DA）方法在广泛的机器学习和计算机视觉任务（即分类、检测和分割）中取得了显著改进。然而，据我们所知，直接对三维点云数据实现域自适应的方法还很少。点云数据的独特挑战在于其丰富的空间几何信息，且整个对象的语义由包含的区域几何结构共同贡献。具体而言，大多数致力于全局特征对齐而忽略局部几何信息的通用 DA 方法不适用于三维域对齐。本文中，我们提出了一种新颖的用于点云数据的三维域自适应网络（PointDAN）。PointDAN 在多层级上联合对齐全局和局部特征。对于局部对齐，我们提出了具有调整感受野的自适应（SA）节点模块，以建模判别性局部结构用于域对齐。为了表示分层尺度特征，进一步引入节点注意力模块来加权跨对象和跨域的 SA 节点关系。对于全局对齐，采用对抗训练策略来学习并对齐跨域全局特征。由于三维点云 DA 场景尚无通用评估基准，我们构建了一个通用基准（即 PointDA-10），提取自三个流行的三维对象/场景数据集（即 ModelNet、ShapeNet 和 ScanNet），用于跨域三维对象分类。在 PointDA-10 上的大量实验表明了我们的模型相对于最先进的通用 DA 方法的优越性。
引用
@article{arxiv.1911.02744,
title = {PointDAN: A Multi-Scale 3D Domain Adaption Network for Point Cloud Representation},
author = {Can Qin and Haoxuan You and Lichen Wang and C. -C. Jay Kuo and Yun Fu},
journal= {arXiv preprint arXiv:1911.02744},
year = {2019}
}
备注
12 pages, 4 figures, 33rd Conference on Neural Information Processing Systems (NeurIPS 2019)