用于缩小域差距的噪声感知物体点云合成中的准平衡自训练
计算机视觉与模式识别
2022-07-20 v2 人工智能
摘要
物体点云的语义分析很大程度上由基准数据集的发布所推动，包括其实例从物体 CAD 模型采样的合成数据集。然而，从合成数据学习可能无法泛化到实际场景，其中点云通常是不完整的、非均匀分布的且含噪的。这种仿真到现实（Sim2Real）的域差距挑战可通过域适应的学习算法缓解；然而，我们认为通过更具物理真实感的渲染来生成合成点云是一种有力的替代方案，因为系统性的非均匀噪声模式可被捕获。为此，我们提出一种集成方案，包含通过向 CAD 模型投影散斑图案渲染立体图像从而物理真实地合成物体点云，以及一种新颖的准平衡自训练，其通过由稀疏性驱动的伪标记样本选择为长尾类别实现更平衡的数据分布。实验结果可验证我们的方法及其两个模块在点云分类无监督域适应上的有效性，取得了最先进的性能。源代码与 SpeckleNet 合成数据集可在 https://github.com/Gorilla-Lab-SCUT/QS3 获取。
引用
@article{arxiv.2203.03833,
title = {Quasi-Balanced Self-Training on Noise-Aware Synthesis of Object Point Clouds for Closing Domain Gap},
author = {Yongwei Chen and Zihao Wang and Longkun Zou and Ke Chen and Kui Jia},
journal= {arXiv preprint arXiv:2203.03833},
year = {2022}
}
备注
Accepted by ECCV 2022