直至掉落：面向稳定可靠的源自无监督 3D 域适应
计算机视觉与模式识别
2024-09-09 v1
摘要
我们解决了针对 3D 语义分割的源自无监督域适应（SFUDA）这一具有挑战性的问题。它涉及在没有任何源数据访问权限的情况下，对 unlabeled target domain 进行域适应；可用信息仅是为在源域上实现良好性能而训练的模型。现有 SFUDA 方法的常见问题是性能在训练一段时间后会下降，这是一种受限且病态问题的副产品。我们讨论了两种缓解此问题的策略：第一，我们提出一种对学习问题进行合理正则化的方法。第二，我们引入一种基于与参考模型一致性的新型准则。它用于(1) 在恰当时机停止训练，以及 (2) 作为无目标域知识的超参数选择器。我们的贡献容易实现且可适用于所有 SFUDA 方法，确保在所有基线方法上实现稳定的性能提升。我们在各种 3D lidar 设置上进行了验证，实现了最先进的性能。项目仓库（带代码）为：github.com/valeoai/TTYD。
引用
@article{arxiv.2409.04409,
title = {Train Till You Drop: Towards Stable and Robust Source-free Unsupervised 3D Domain Adaptation},
author = {Björn Michele and Alexandre Boulch and Tuan-Hung Vu and Gilles Puy and Renaud Marlet and Nicolas Courty},
journal= {arXiv preprint arXiv:2409.04409},
year = {2024}
}
备注
Accepted to ECCV 2024. Project repository: github.com/valeoai/TTYD