LiDAR-UDA: 时间自组织的无监督 LiDAR 域适应

ICCVSep, 2023

LiDAR-UDA: 时间自组织的无监督 LiDAR 域适应

LiDAR-UDA: Self-ensembling Through Time for Unsupervised LiDAR Domain Adaptation

Amirreza Shaban, JoonHo Lee, Sanghun Jung, Xiangyun Meng, Byron Boots

TL;DRLiDAR-UDA 是一种新颖的两阶段自我训练无监督域适应（UDA）方法，用于 LiDAR 分割，通过引入两种技术，即 LiDAR 束采样和交叉帧合成，以减少传感器差异并改善伪标签质量，我们的方法在公共 LiDAR 数据集上表现优于现有方法，平均 mIoU 提高超过 3.9%。

Abstract

We introduce lidar-uda, a novel two-stage self-training-based Unsupervised Domain Adaptation (UDA) method for lidar segmentation. Existing self-training methods use a model trained on labeled source data to gener

lidar-uda unsupervised domain adaptation lidar segmentation lidar sensor configurations pseudo labels

发现论文，激发创造

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

SALUDA: 基于表面的汽车激光雷达无监督领域自适应

本文介绍了一种无监督领域自适应的方法，使用隐式表面表示同时在源数据和目标数据上进行学习的辅助任务来缓解不同激光雷达模式或获取条件变化等原因导致的性能差异，实验证明了该方法比现有技术在合成到真实和真实到真实的情况下均取得了更好的性能。

Apr, 2023

基于实例自适应技术的无监督领域自适应自训练

本文提出了一种基于实例适应的自我训练框架，应用于语义分割的无监督域自适应问题，该方法采用了一种新的伪标签生成策略和区域引导正则化方法，以在 'GTA5 to Cityscapes' 和 'SYNTHIA to Cityscapes' 数据集上的任务中获得更好的性能表现。

Aug, 2020

多领域判别器与自适应自训练的无监督领域自适应

本文提出一种基于无监督域自适应（UDA）的方法，针对城市场景的语义分割应用领域，将深度神经网络从合成数据源，适应到真实数据源上，通过引入对抗模块和自训练策略实现充分对齐两个数据分布，模块化的架构使得模型适用范围更广，实验结果表明该方法的有效性和稳健性。

Apr, 2020

T-UDA：序列点云中的时态无监督领域适应

通过结合输入数据的时间和跨传感器的几何一致性和均值教师方法，我们引入了一种新颖的领域适应方法，称为 T-UDA（时间 UDA），该方法在驾驶场景的 3D 语义分割任务中取得了显著的性能提升。

Sep, 2023

检测、增强、组合和适应：目标检测中的四个无监督领域适应步骤

无监督领域自适应在目标检测中发挥重要作用，该论文提出了一种新颖而有效的四步骤无监督领域自适应方法，利用自我监督学习同时训练源数据和目标数据，并在目标图像中识别具有最高置信度的检测区域作为伪标签，通过广泛实验，取得了领先竞争对手超过 2% mAP 的最先进性能。

Aug, 2023

ConDA: 基于正则化域连接的 LiDAR 分割无监督域自适应

本文提出了一种基于联合监督信号自训练的 LiDAR Segmentation 领域自适应方法 ConDA，通过构建源域和目标域的中间领域并采用熵聚合器和抗锯齿正则化方法，实现了有效减少噪音伪标签对模型训练的负面影响，并在减轻域间差异方面取得了非常显著的提升。

Nov, 2021

稳健的无源域自适应用于眼底图像分割

提出了一个两阶段训练策略来实现领域自适应的稳健性，第一阶段利用对抗样本增强来增强源模型的稳健性和泛化能力，第二阶段提出了一种新的稳健伪标签和伪边界方法，有效利用无标签目标数据生成伪标签和伪边界，实现模型的自适应，无需源数据。在跨领域眼底图像分割上的实验结果证实了该方法的有效性和通用性。

Oct, 2023

无监督领域适应结构搜索与自我训练用于地表覆盖图制作

通过将马尔可夫随机场神经架构搜索（MRF-NAS）与自训练无监督域适应（UDA）结合为单一框架，本研究在有限的计算预算下为土地覆盖映射任务搜索出高效且有效的轻量级神经网络，该网络在 OpenEarthMap 和 FLAIR＃1 这两个近期数据集上表现出了令人满意的性能。

Apr, 2024

无监督域自适应的语义分割研究及伪标记自我修正

基于深度学习的解决方案如何在面对与训练数据不同特征的情况下，语义分割会有性能下降的问题，针对此问题提出了一种无监督领域适应的方法，利用辅助伪标签优化网络进行自训练，实验结果表明这种方法在基准数据集上的表现显著优于之前的最先进方法.

Oct, 2023