Aug, 2021

面向无监督领域自适应的几何感知自训练方法

PDF
TL;DR本文提出了一种基于几何感知的自我训练（GAST）方法，通过两种自监督几何学习任务作为特征规则化，以学习语义类别的域共享表示来提高对实际数据中基于点的几何体的未见分布的判别力。实验表明，我们的 GAST 方法可以显著优于现有的最先进方法。
point cloudunsupervised domain adaptationsemantic categoriesgeometric learningcurvature-aware distortion localization
发现论文，激发创造
  • 几何感知对抗点云生成

    本文提出新的 geometry-aware objectives 的设计，生成的 $GeoA^3$ 对人类来说是无法察觉的，同时提出一个名为 $Geo_{+} A^3$-IterNormPro 的算法，该算法通过生成对抗性点云来实现面向表面的对抗性攻击。

    Dec, 2019

  • 点云领域自适应的自监督学习

    本篇论文探究了自监督学习在 3D 感知问题的领域自适应中的应用，通过提出基于形变重构的预训练任务以及一种名为 PCM 的新颖训练流程，对分类和分割的领域适应数据集进行了评估，取得了相较于现有和基准方法的巨大改进。

    Mar, 2020

  • GIPSO：基于几何信息传播的 3D LiDAR 分割在线自适应

    本文主要研究了自动驾驶中 3D 点云语义分割的问题，提出了一种新的面向场景推理的算法框架，并针对领域变化以及使用合成数据时的挑战性问题进行了研究，提高了算法的稳定性和实际性能。

    Jul, 2022

  • GPA-3D: 无监督域自适应点云三维物体检测中的几何感知原型对齐

    提出了一种新颖的无监督领域自适应三维检测框架 GPA-3D，通过显式利用点云对象的内在几何关系来减少特征差异，从而实现跨领域的转移，并在各种基准测试中证明了其优越性。

    Aug, 2023

  • 面向域自适应语义分割的几何感知网络

    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

  • 基于流型的自学习方法，用于无监督领域自适应中的 6D 物体姿态回归

    本文通过在目标空间的离散化锚点类别的粗分类的全局特征对齐和局部细化来弥合合成数据和实际数据之间视觉回归（例如六维姿态估计）中的领域差距，使其对领域不变表示学习施加了分段目标流形正则化。此外，本方法还将统一的隐式神经函数学习应用于估计目标相对方向和距离的回归任务中，以改善目标分类预测，实验表明，在三个公开基准测试中，​​本文方法在相对于最先进的 UDA 6D 姿势估计方法表现出了卓越的性能。

    May, 2023

  • PC-Adapter: 基于拓扑感知的适配器用于点云上的高效领域自适应与修正伪标签

    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

  • CrossPoint: 自监督的跨模态对比学习，用于三维点云理解

    本研究提出了一种名为 CrossPoint 的简单跨模态对比学习方法，通过自监督学习，在不需要人类标注的情况下，实现可转移的三维点云表示，通过最大化点云和相应渲染的二维图像之间的协议，实现了三维物体分类和分割等多项任务，并验证了我们的方法在提高点云理解方面的效果。

    Mar, 2022

  • Point-GCC：通过几何 - 颜色对比实现通用自监督 3D 场景预训练

    本论文提出了一种通过几何 - 颜色对比（Point-GCC）对点云进行 3D 场景预训练的通用框架，该框架在几何和颜色信息之间建立联系，并包括分层监督、新型深度聚类模块、体系结构不可知的后端等设计，实现了在各项数据集上的显著效果提升，包括 SUN RGB-D 和 S3DIS 之类的异常检测结果。

    May, 2023

  • 针对领域差距闭环的噪声感知物体点云合成的准平衡自训练

    本文提出了一种通过将斑点模式投射到 CAD 模型上的方法实现对物体点云的物理真实综合，并采用一种新颖的几乎平衡的自我训练方法来更平衡地选择长尾类别的伪标签样本，实现了点云分类的无监督域自适应，在实验中达到了最先进的性能。

    Mar, 2022