基于点云采样变异的测试时适应：利用权重平均
计算机视觉与模式识别
2024-12-31 v2
摘要
测试时适应（TTA）通过在测试期间适应预训练模型来应对分布偏移，无需获取源数据。本文我们提出一种新的 TTA 方法，用于 3D 点云分类，将采样变异与权重平均相结合。我们的方法利用最远点采样（FPS）和 K 最近邻（KNN）创建多个点云表示，针对每种变体使用 TENT 算法进行适应。最终模型参数通过对适应后的权重进行平均获得，从而提高了对分布偏移的鲁棒性。在 ModelNet40-C、ShapeNet-C 和 ScanObjectNN-C 数据集上进行了大量实验，不同 backbone（Point-MAE、PointNet、DGCNN）均表明该方法在保持最小资源开销的同时， consistently 优于现有方法。该方法有效增强了模型在挑战现实条件下的泛化能力和稳定性。
引用
@article{arxiv.2411.01116,
title = {Test-Time Adaptation in Point Clouds: Leveraging Sampling Variation with Weight Averaging},
author = {Ali Bahri and Moslem Yazdanpanah and Mehrdad Noori and Sahar Dastani and Milad Cheraghalikhani and David Osowiech and Farzad Beizaee and Gustavo adolfo. vargas-hakim and Ismail Ben Ayed and Christian Desrosiers},
journal= {arXiv preprint arXiv:2411.01116},
year = {2024}
}