面向鲁棒三维目标识别的稠密到稀疏深度域自适应
机器人学
2022-05-10 v1 计算机视觉与模式识别
摘要
三维（3D）目标识别对于自动驾驶车辆和机器人等智能自主代理在非结构化环境中有效运行至关重要。大多数最先进方法依赖于相对稠密的点云，在稀疏点云下性能显著下降。无监督域自适应能够以极少的未标注稀疏点云最小化稠密与稀疏点云间的差异，从而节省额外的稀疏数据收集、标注与再训练成本。本文提出一种基于点云的目标识别新方法，在稠密与稀疏点云上均具与最先进方法相竞争的性能，而仅使用稠密点云进行训练。
引用
@article{arxiv.2205.03654,
title = {Towards Robust 3D Object Recognition with Dense-to-Sparse Deep Domain Adaptation},
author = {Prajval Kumar Murali and Cong Wang and Ravinder Dahiya and Mohsen Kaboli},
journal= {arXiv preprint arXiv:2205.03654},
year = {2022}
}