面向点云无监督域适应的渐进式分类器与特征提取器适配
计算机视觉与模式识别
2024-07-18 v2
摘要
无监督域适应（UDA）是点云分析领域的一项关键挑战。先前工作或通过特征提取器适配使共享分类器能区分域不变特征，或通过分类器适配演化分类器以识别目标风格源特征从而提升其适应能力，来解决该问题。然而，通过学习域不变特征，特征提取器适配方法未能编码具语义意义的目标特定信息，而分类器适配方法严重依赖对目标分布的准确估计。本工作中，我们提出了一种深度耦合分类器与特征提取器适配用于 3D UDA 的新框架，称为渐进式分类器与特征提取器适配（PCFEA）。我们的 PCFEA 从宏观与微观两个不同视角开展 3D UDA。在宏观层面，我们提出渐进式目标风格特征增强（PTFA），其建立一系列中间域使模型逐步适应目标域。在此过程中，源分类器演化为识别目标风格源特征（即分类器适配）。在微观层面，我们开发了中间域特征提取器适配（IDFA），其执行紧凑特征对齐以逐步鼓励目标风格特征提取。如此，PTFA 与 IDFA 可互利：IDFA 有助于 PTFA 的分布估计，而 PTFA 构建更平滑的中间域以鼓励 IDFA 的准确特征对齐。我们在流行基准数据集上验证了方法，其达到了新的 state-of-the-art 性能。代码见 https://github.com/xiaoyao3302/PCFEA。
引用
@article{arxiv.2311.16474,
title = {Progressive Classifier and Feature Extractor Adaptation for Unsupervised Domain Adaptation on Point Clouds},
author = {Zicheng Wang and Zhen Zhao and Yiming Wu and Luping Zhou and Dong Xu},
journal= {arXiv preprint arXiv:2311.16474},
year = {2024}
}
备注
Accepted by ECCV 2024