用于无监督 3D 域自适应的自蒸馏方法
计算机视觉与模式识别
2022-10-18 v1
摘要
点云分类是 3D 视觉中的热门任务。然而，先前工作通常假设测试时的点云与训练时通过点云相同的流程或传感器获取。无监督域自适应（UDA）则打破该假设，试图仅利用有监督的源域，在无标签目标域上解决任务。对于点云分类，近期 UDA 方法试图通过如点云重建等辅助任务跨域对齐特征，但这并未在特征空间中优化目标域的判别力。相反，本工作中我们专注于通过对点云与其增强版本之间的一致性约束，为目标域获取判别性特征空间。随后我们提出一种新颖的迭代自训练方法，在 UDA 背景下利用图神经网络精炼伪标签。我们进行了大量实验，并在标准 UDA 点云分类基准上确立了新的最优性能（SOTA）。最后，我们展示了我们的方法可扩展至如部件分割等更复杂的任务。
引用
@article{arxiv.2210.08226,
title = {Self-Distillation 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:2210.08226},
year = {2022}
}
备注
WACV 2023, Project Page: https://cvlab-unibo.github.io/FeatureDistillation/