RefRec：通过形状重建的伪标签精化用于无监督三维域自适应
计算机视觉与模式识别
2021-10-22 v1
摘要
用于点云分类的无监督域自适应（UDA）是一个新兴的研究问题，具有重要的实际动机。依赖多任务学习来跨域对齐特征一直是解决该问题的标准方法。在本文中，我们采取不同的路径，提出 RefRec，这是首个在点云 UDA 中研究伪标签与自训练的方法。我们提出了两项主要创新以使自训练在三维数据上有效：i）通过在两个域上由形状重建的无监督任务学习到的形状描述子进行匹配，来精化含噪伪标签；ii）一种新颖的自训练协议，学习特定域的决策边界，并减少错误标记的目标样本和域内类内变异性的负面影响。RefRec 在用于测试点云分类 UDA 的两个标准基准上均确立了新的 SOTA，展示了自训练对这一重要问题的有效性。
引用
@article{arxiv.2110.11036,
title = {RefRec: Pseudo-labels Refinement via Shape Reconstruction for Unsupervised 3D Domain Adaptation},
author = {Adriano Cardace and Riccardo Spezialetti and Pierluigi Zama Ramirez and Samuele Salti and Luigi Di Stefano},
journal= {arXiv preprint arXiv:2110.11036},
year = {2021}
}
备注
3DV 2021 (Oral) Code: https://github.com/CVLAB-Unibo/RefRec