PointDAN:一种用于点云表征的多尺度三维领域自适应网络
本文提出了一种新颖的能够同时模拟几何空间和出现空间中的跨域移位的几何感知域自适应网络 (GA-DAN),并可在具有非常不同特征的不同领域之间实现逼真的图像转换。在所提出的 GA-DAN 中,设计了一种新颖的多模态空间学习技术,它将源域图像转换为目标域中不同空间视图的多个图像。还引入了一种新的分离循环一致性损失 (loss),来平衡外观空间和几何空间的循环一致性,并大大提高整个网络的学习性能,该 GA-DAN 在经典场景文本检测和识别任务中进行了评估,实验证明,在应用于网络训练时,域适应图像可以实现更好的场景文本检测和识别性能。
Jul, 2019
该论文提出了一种名为 ePointDA 的新型端到端框架,用于将基于 LiDAR 的点云分割从合成数据转移到真实场景中,过程中不需要真实世界统计数据,通过自监督丢失噪声渲染,统计不变和空间自适应特征对齐,可在像素级和特征级上解决域漂移问题。
Sep, 2020
提出了一种半监督领域自适应方法,名为 “SSDA3D”,包括两个阶段的 Point-CutMix 模块和 Intra-domain Generalization,很好地解决了不同 LiDAR 配置、城市和天气等领域间偏移问题,不依赖于大量标注数据,在只有 10%目标数据标注的情况下,可以超过 100%目标标签的完全监督模型。
Dec, 2022
通过多模态对比学习和最优传输的对齐,我们提出了一种新的用于点云分类的无监督领域自适应架构,实现了更好的类别分离并在多个数据集上取得了最先进的性能。
Aug, 2023
提出了一种新的基于几何感知网络的域自适应模型,通过利用更紧凑的三维几何点云表示来缩小领域差距,显式利用从 RGB-D 图像生成的点云的三维拓扑结构进行伪标签的细化,解决了估计二维深度时无法从根本上提取对象的内部三维信息的问题,并在 GTA5->Cityscapes 和 SYNTHIA->Cityscapes 两个领域中表现出的定量和定性的有效性,超越了现有的技术水平。
Dec, 2022
通过注意力机制和图卷积,PC-Adapter 保留了源数据的全局形状信息,并学习了目标域的局部特征,同时提出了一种新颖的假标记策略来克服分类器偏差,该方法在各种基准数据集 - PointDA、GraspNetPC 和 PointSegDA 上优于基线模型。
Sep, 2023
利用空间几何对齐和时间运动对齐构建自适应域归一化方法,以头显和机械扫描激光雷达的点云数据为例,实现了跨设备 3D 检测的最新性能水平。
Dec, 2022
本文利用 3D 点云中表面稀疏采样的特征,引入稀疏体素完成网络 (SVCN) 进行前景表面的完成。同时,我们使用局部对抗学习构建 3D 表面的先验知识。结果表明,在处理不同 LiDAR 传感器数据的跨域语义分割问题时,我们提出的方法比现有方法提高了 8.2%-36.6% 的分类性能。
Jul, 2020
我们提出了一种单域泛化多任务学习方法,通过引入新颖的数据增强方法和多任务学习策略,改进了 3D 物体检测的泛化性能,并提出了首个用于 3D 物体检测领域泛化的测试时适应方法。
Nov, 2023
本文提出一种新的多源领域自适应 (MDA) 框架,通过设计一个端到端的多源对抗性域聚合网络 (MADAN) 来解决领域自适应中的像素级对齐和任务特征不对齐等挑战,并通过在数字识别、对象分类和模拟到真实语义分割等领域进行广泛的实验,证明 MADAN 和 MANDA + 模型的优越性。
Feb, 2020