Jun, 2024

CTS：基于模拟到真实的无监督领域自适应的三维检测

PDF
TL;DR提出了一种新颖的复杂到简单框架（CTS），从有标记的仿真域（源）转移模型到无标记的实际域（目标），通过开发固定大小的锚头和 RoI 增强来提高伪标签的质量，并开发角格式表示的 Aleatoric 不确定性（AU）以统一量化伪标签质量，还基于 AU 开发了一个噪声感知的均值教师域适应方法，以及基于 AU 的对象级和帧级采样策略，以迁移噪声标签的影响，实验结果表明，我们提出的方法显著增强了三维物体检测模型的仿真到实际域适应能力，胜过了通常针对实际到实际无监督域适应任务开发的最先进跨域算法。
发现论文，激发创造
  • STAL3D：基于协作自训练和对抗学习的 3D 物体检测无监督域自适应

    我们提出了一种能够在无监督领域适应中实现 3D 物体检测的框架，称为 STAL3D，通过协作自训练和对抗学习利用伪标签和特征分布对齐的互补优势，并设计了面向 3D 跨域场景的背景抑制对抗学习模块和尺度过滤模块，有效减轻了大部分背景干扰和源域尺寸偏差的问题。在多个跨域任务上，我们的 STAL3D 实现了最先进的性能，甚至在 Waymo 到 KITTI 和 Waymo 到 KITTI-rain 任务上超过了 Oracle 结果。

    Jun, 2024

  • DACS: 基于跨域混合采样的领域自适应

    使用 DACs 方法，混合源领域的标签数据和目标领域的伪标签数据进行训练可以有效地解决基于卷积神经网络的语义分割模型在新领域上通用性不佳的问题。

    Jul, 2020

  • 室内 3D 物体检测的 Syn-to-Real 无监督领域自适应

    本文提出了一种新颖的面向室内三维物体检测的对象层次域对齐（OHDA）框架，其中包括一种面向对象的数据增强策略以有效地使源域数据多样化，并引入了一个由对抗训练分支和伪标记分支组成的两分支自适应框架，以同时达到整体级和类别级的域对齐，通过适应结果的改进在 Synthetic 数据集 3D-FRONT 到真实数据集 ScanNetV2 和 SUN RGB-D 上分别取得了分别为 9.7％和 9.1％的 mAP25 改进。

    Jun, 2024

  • 无人驾驶目标检测中基于像素和特征级别的域自适应

    本文提出一种新的无监督领域自适应模型，通过像素级和特征级变换相结合解决了自主驾驶中更复杂的目标检测问题，同时引入了生成对抗网络和循环一致性损失以及区域提案特征对抗训练等方法，通过实验证明了本方法的鲁棒性和优越性。

    Sep, 2018

  • 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

  • 几何无监督域自适应语义分割

    该论文提出了使用自监督单目深度估计作为代理任务来解决模拟数据和真实数据之间的差异，以提高半监督领域自适应的性能，结果表明这种方法在语义分割领域的无监督域自适应上具有较好的性能。

    Mar, 2021

  • 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

  • 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

  • Bi3D：跨域 3D 物体检测的双域主动学习

    提出了一种基于 Bi-domain active learning 的方法 Bi3D，通过 source 和 target 两个域的样本选择策略来解决跨域 3D 目标检测任务，实验结果表明该方法在不同的跨域情况下达到了较好的检测准确率。

    Mar, 2023

  • 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