Aug, 2023

GeoAdapt: 基于几何先验的自监督测试时 Lidar 地点识别自适应

PDF
TL;DR在基于深度学习的 LiDAR 地点识别方法中，当训练和测试数据集的分布发生变化时性能显著降低，常常需要重新训练以达到最佳性能。为了解决这个问题，我们提出了 GeoAdapt，它引入了一种新颖的辅助分类头部，以自监督的方式为新环境上的重新训练生成伪标签。GeoAdapt 利用几何一致性优先原则改进了我们生成的伪标签在领域漂移下的鲁棒性，提高了我们的测试时间自适应方法的性能和可靠性。全面的实验证明，GeoAdapt 显著提升了中度到严重领域漂移下的地点识别性能，并且与完全监督的测试时间自适应方法具有竞争力。我们的代码将在此 https URL 上提供。
发现论文，激发创造
  • GeoNet: 评测跨地理区域的无监督适应性

    本文研究地理鲁棒性问题，提出 GeoNet 数据集并探究其背后的分布变化，表明现有无监督领域适应算法和大规模预训练不足以处理地理适应问题。

    Mar, 2023

  • CL3D：基于无监督领域自适应的跨激光雷达 3D 检测

    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

  • 自动驾驶过去遍历特征的无监督领域适应

    通过利用未标记的多次穿越多个位置的方法，我们提出了一种用于自动驾驶汽车的 3D 物体检测系统的快速发展，该方法能够适应新的驾驶环境，并且在检测行人和远处物体方面取得了显著的性能提升。

    Sep, 2023

  • 利用领域适应性进行低资源地理空间机器学习

    本研究探讨了现代领域自适应在多种提出的地理空间基准中的应用，揭示了独特的挑战并提出了解决方案，以解决机器学习在遥感中受到有标签数据瓶颈的困扰。

    Jul, 2021

  • 遥感卫星图像的领域适应自监督表示学习

    本研究提出了一种新颖的域自适应范式，利用遥感卫星数据来研究对比自监督表示学习和知识转移。通过在源数据集上进行自监督对比学习的预训练，并以循环交替的方式在目标数据集上进行下游任务，该方法实现了自监督知识转移，达到了最先进的性能和可解释的表示学习。

    Apr, 2023

  • GeoMultiTaskNet: 利用地理坐标进行遥感非监督域自适应

    提出了一种新的轻量级模型 ——GeoMultiTaskNet，使用地理坐标对源领域和目标领域进行信息对齐，采用动态类别抽样（Dynamic Class Sampling）策略来适应语义分割的损失函数，将其用于自然资源遥感图像分割，并取得了最先进的性能。

    Apr, 2023

  • 计算机视觉任务的自监督域自适应

    本文提出了一种自我监督域自适应的通用方法，重点关注简单的预训练任务，如图像旋转预测，运用于对象识别和城市场景语义分割等场景，并提出了预测层对齐和批归一化校准等策略以进一步提高其准确性。实验结果表明自我监督在域自适应方面具有很大的潜力。

    Jul, 2019

  • LiDAR 全景分割的无监督域自适应

    本研究提出了一种新的基于统计学习方法的 LiDAR 全景分割的 UAD 方法，该方法利用数据依赖性和模型依赖性的两种不同的策略来解决无监督域适应问题，并在真实世界自动驾驶数据集上进行了广泛评估，结果显示该方法在 PQ 得分方面优于现有的 UDA 方法高达 6.41pp。

    Sep, 2021

  • ICCV 2023 GeoNet 挑战赛的自训练解决方案

    GeoNet 是一个最近提出的领域适应基准测试，它包含三个挑战（即 GeoUniDA，GeoImNet 和 GeoPlaces）。我们的解决方案采用了两阶段的无源领域适应框架，使用 Swin Transformer 骨干网络实现了从美国（源）领域到亚洲（目标）领域的知识转移。我们的方法在 GeoUniDA 挑战中取得了 74.56％的 H 分数，最终排名第一。在 GeoImNet 和 GeoPlaces 挑战中，我们的解决方案也分别达到了 64.46％和 51.23％的前三准确率。

    Nov, 2023

  • 基于注意力原型的无源迁移学习 3D 物体检测

    本研究提出一种应用于基于激光雷达的 3D 物体检测器的无源自适应方法，该方法使用班级原型来缓解误标签噪声的影响，利用转换器模块识别对应于错误、过于自信的注释的离群 ROI，通过自学习的过程，降低伪标签的损失并提高性能。

    Nov, 2021