Aug, 2023

基于组合语义混合的点云分割领域自适应

PDF
TL;DR通过语义和几何样本混合，该研究介绍了一种基于点云的无监督领域自适应技术，并采用合成到真实和真实到真实的情境，利用 LiDAR 数据集验证其在无监督和半监督设置中明显优于现有方法的性能。
deep-learning models3d point cloud semantic segmentationdomain adaptation methodscompositional semantic mixinglidar datasets
发现论文，激发创造
  • CoSMix：3D LiDAR 分割中的组合语义混合领域自适应

    本文提出了一种新的点云无监督域自适应方法 --CoSMix，是第一个基于样本混合的点云分割 UDA 方法，使用标记的合成数据和真实世界无标签点云，在两个大规模数据集上表现优于现有技术。

    Jul, 2022

  • 基于域自适应的 LiDAR 点云语义分割完成与标注

    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

  • 基于交叉模态学习的三维语义分割领域自适应

    本文介绍了一种新的领域适应策略 - “交叉模态学习”，在无监督和半监督领域适应设置下，通过两种模式的相互模仿实现模态之间的一致性，在 3D 语义分割任务中证明了该方法的有效性

    Jan, 2021

  • 从合成数据中学习语义分割：一种几何引导的输入输出适应方法

    本研究利用合成数据中的几何信息，结合图像翻译网络和任务网络，通过对抗性训练同时进行深度估计和语义分割，有效地缩小域差距，实现了跨域语义分割的重大性能提高。

    Dec, 2018

  • 利用 2D 和 3D 网络的补充性来解决 3D 语义分割中的领域偏移

    本文提出一种简单有效的多模态 3D 语义分割网络，利用来自不同传感器的信息进行语义分割并使其更加鲁棒，达到了优异的性能。

    Apr, 2023

  • SSDA3D: 3D 点云物体检测的半监督领域适应

    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

  • 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

  • 基于双层领域混合的半监督领域适应用于语义分割

    该研究提出一种基于双层域混合的半监督领域自适应框架，结合数据混合方法和知识蒸馏，通过给定少量标记的数据和大量标记的源数据来减少域间差异，并在自我训练中生成伪标签。实验证明该框架在合成到实际语义分割基准中表现出有效性。

    Mar, 2021

  • 利用合成数据进行学习：解决语义分割的领域偏移问题

    该研究提出了一种基于生成对抗网络（GANs）的新方法，以改进分割网络所学到的表示在合成和真实领域中的自适应，证明了其具有广泛性和可扩展性。

    Nov, 2017

  • 语义分割的领域自适应半监督学习中的区内和区间混合

    本文介绍了一种新的半监督领域适应框架，该框架结合了跨域混合和内域混合，实现了更好地利用目标域信息，并在 GTA5toCityscapes 和 SYNTHIA2Cityscapes 基准数据集上取得了显著的效果优于之前的方法。

    Aug, 2023