用于三维点云域适应的自集成方法
计算机视觉与模式识别
2023-03-28 v2
摘要
近来三维点云学习已成为计算机视觉与自动驾驶中的热点。由于难以人工标注高质量大规模三维点云数据集，无监督域适应（UDA）在三维点云学习中颇为流行，其旨在将所学知识从有标注源域迁移至无标注目标域。然而，由域偏移引起的、经简单学习模型所产生的泛化与重建误差不可避免，这严重阻碍了模型学习良好表示的能力。为解决这些问题，我们提出一种端到端自集成网络（SEN）用于三维点云域适应任务。总体上，我们的 SEN 借助 Mean Teacher 与半监督学习的优势，引入软分类损失与一致性损失，旨在实现一致泛化与精确重建。在 SEN 中，学生网络以监督学习与自监督学习协作方式保持更新，教师网络执行时间一致性以学习有用表示并确保点云重建质量。在多个三维点云 UDA 基准上的大量实验表明，我们的 SEN 在分类与分割任务上均优于当前最优（SOTA）方法。此外，进一步分析表明我们的 SEN 也取得了更好的重建结果。
引用
@article{arxiv.2112.05301,
title = {Self-Ensemling for 3D Point Cloud Domain Adaption},
author = {Qing Li and Xiaojiang Peng and Chuan Yan and Pan Gao and Qi Hao},
journal= {arXiv preprint arXiv:2112.05301},
year = {2023}
}