SUG：面向三维点云分类的单数据集统一泛化
计算机视觉与模式识别
2023-07-28 v2 人工智能
摘要
尽管域泛化(DG)问题在二维图像任务中快速发展，但其在三维点云数据上的探索仍不充分，并受到更复杂不确定的跨域差异与不均匀的类别间模态分布的挑战。本文不同于以往的二维DG工作，关注三维DG问题并提出单数据集统一泛化(SUG)框架，该框架仅利用单一源数据集来缓解训练良好的源模型所面临的非预期域差异。具体而言，我们首先设计多粒度子域对齐(MSA)方法，通过对单一源数据集中划分出的子域进行多粒度特征对齐，约束所学表示具有域无关性与判别性。随后提出样本级域感知注意力(SDA)策略，其可根据样本级域间距离选择性增强来自不同子域的易适配样本，以避免负迁移。实验表明，我们的SUG能提升对未见目标域的泛化能力，甚至优于须访问大量目标域数据的现有无监督域适应方法。我们的代码见 https://github.com/SiyuanHuang95/SUG。
引用
@article{arxiv.2305.09160,
title = {SUG: Single-dataset Unified Generalization for 3D Point Cloud Classification},
author = {Siyuan Huang and Bo Zhang and Botian Shi and Peng Gao and Yikang Li and Hongsheng Li},
journal= {arXiv preprint arXiv:2305.09160},
year = {2023}
}
备注
Accepted by ACM MM-2023, and our code is available at https://github.com/SiyuanHuang95/SUG