面向地理空间点云语义分割的无源域适应
计算机视觉与模式识别
2026-05-27 v2
摘要
三维地理空间点云的语义分割是遥感应用的基础，然而由区域差异和采集差异引起的域偏移通常会降低模型性能。尽管域适应可以缓解这种偏移，但现有方法通常需要访问源域数据，而这往往因隐私问题和监管政策而变得不可行。为了解决这一问题，我们提出了 LoGo (Local-Global Dual-Consensus)，一种新颖的无源无监督域适应 (SFUDA) 框架，仅需预训练模型和未标记的目标数据。在局部层面，我们引入了一个类平衡原型估计模块，确保即使对于样本稀缺的尾部类也能生成稳健的特征原型，有效缓解了长尾分布引起的特征坍塌。在全局层面，我们引入了一个基于最优传输的全局分布对齐模块，将伪标签分配表述为一个全局优化问题，有效纠正了局部贪婪分配中固有的头部类过度主导问题，从而防止模型预测严重偏向多数类。最后，我们提出了一种双一致性伪标签过滤机制，仅在局部多重增强集成预测与全局最优传输分配相一致时保留高置信度伪标签用于自训练。在包含跨场景和跨传感器设置的两个挑战性基准上的大量实验表明，LoGo 始终优于现有的 SOTA 方法。源代码可在 https://github.com/GYproject/LoGo-SFUDA 获取。
引用
@article{arxiv.2601.08375,
title = {Source-Free Domain Adaptation for Geospatial Point Cloud Semantic Segmentation},
author = {Yuan Gao and Di Cao and Xiaohuan Xi and Sheng Nie and Shaobo Xia and Cheng Wang},
journal= {arXiv preprint arXiv:2601.08375},
year = {2026}
}