Sep, 2023

LiDAR-UDA: 时间自组织的无监督LiDAR域适应

HTML
PDF
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%。
发现论文，激发创造
  • 基于LiDAR的三维物体检测的无源无监督域自适应

    本文提出了 SF-UDA^3D 框架，基于伪标注、可逆的尺度转换和运动相干性，将最先进的 PointRCNN 3D 检测器域自适应到无注释目标域中，结果在 KITTI 和 nuScenes 上都优于以前的特征对齐方法和最先进的 3D 目标检测方法。

    Oct, 2020

  • 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

  • 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

  • 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

  • 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SAM指导的无监督领域适应用于3D分割

    本研究提出了一种基于图像与点云的混合特征增强方法，通过利用SAM模型在三维领域中的普适性能力，解决了未标注域适应中的领域差异问题，并在三维分割任务中取得了最新的研究进展。

    Oct, 2023

  • 更好地呼唤 SAL：迈向 Lidar 中的任意物体分割学习

    我们提出了一个名为SAL（Segment Anything in Lidar）的方法，包括一个可文本提示的零样本模型用于在Lidar中分割和分类任何物体，以及一个无需手动监督的伪标签引擎用于模型训练。通过利用2D视觉基础模型生成免费的3D监督，我们的模型在无需手动标签的情况下在类别无关分割上达到91％和零样本LPS上达到44％，超越了不使用蒸馏而仅将图像特征提升到3D的基线模型，并且支持任意类别提示，并且可以轻松地扩展到新数据集，并显示出随着自标记数据的增加而提高的潜力。

    Mar, 2024

  • AutoInst: LiDAR 3D扫描的自动实例分割

    通过无监督学习的方法，使用LiDAR传感器，构建了一个算法来预测3D场景中的实例分割，其中通过权重代理图生成3D实例掩模建议，并使用自我训练算法对初始嘈杂的提议进行强化，以生成场景级实例分割。在SemanticKITTI基准测试中，该方法相较于最佳基准模型获得了13.3%的平均准确率和9.1%的F1分数提升。

    Mar, 2024

  • LiOn-XA：通过仅依赖LiDAR的跨模态对抗训练实现无监督领域适应

    本研究解决了由于环境和传感器设置变化导致的无监督领域适应（UDA）问题。创新性地结合了仅依赖LiDAR的跨模态学习与对抗训练，展示了3D LiDAR点云的两种不同数据表示方式能够相互学习以实现UDA。实验表明，该方法在3个真实场景下比现有的单模态和多模态UDA方法取得了新的最优性能。

    Oct, 2024

  • 基于多模态NeRF自我监督的LiDAR语义分割

    本研究解决了LiDAR语义分割中的数据标注短缺问题，提出了一种半监督学习的设置，结合未标注的LiDAR点云和相机图像知识。在此方法中，使用NeRF头生成伪标签以监督像素预测，结果在多个公开基准上显示了显著的性能提升，具有较大的实际应用潜力。

    Nov, 2024