协同对比学习与最优传输的三维点云域适应
计算机视觉与模式识别
2023-08-29 v1
摘要
近来，三维点云上无监督域适应 (UDA) 的基本问题受到机器人、虚拟现实和场景理解等诸多应用的推动。点云数据获取过程在相似与不相似类别间均表现出显著的域差异和几何变化。为图像开发的标准域适应方法因其复杂几何特性无法直接迁移到点云数据。为应对此挑战，我们利用多模态与分布间对齐的思想。我们提出一种新的用于点云分类的 UDA 架构，其受益于多模态对比学习以在两个域各自获得更好的类分离。此外，最优传输 (OT) 的使用旨在联合学习源域和目标域数据分布，以减少跨域偏移并提供更好的对齐。我们在 PointDA-10 和 GraspNetPC-10 上进行了全面的实证研究，结果表明我们的方法在 GraspNetPC-10 上取得了最先进性能（约 4-12% 的优势），并在 PointDA-10 上取得最佳平均性能。我们的消融研究和决策边界分析也验证了对比学习模块和 OT 对齐的重要性。
引用
@article{arxiv.2308.14126,
title = {Synergizing Contrastive Learning and Optimal Transport for 3D Point Cloud Domain Adaptation},
author = {Siddharth Katageri and Arkadipta De and Chaitanya Devaguptapu and VSSV Prasad and Charu Sharma and Manohar Kaul},
journal= {arXiv preprint arXiv:2308.14126},
year = {2023}
}