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

Jun, 2024

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

STAL3D: Unsupervised Domain Adaptation for 3D Object Detection via Collaborating Self-Training and Adversarial Learning

Yanan Zhang, Chao Zhou, Di Huang

TL;DR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。

Abstract

Existing 3d object detection suffers from expensive annotation costs and poor transferability to unknown data due to the domain gap, Unsupervised Domain Adaptation (UDA) aims to generalize detection models trained in labeled source domains to perform robustly on unexplored target domai

3d object detection unsupervised domain adaptation self-training adversarial learning cross-domain tasks

发现论文，激发创造

ST3D：基于自训练的三维物体检测无监督域适应

本论文提出了一种新的域自适应自训练流水线（ST3D），用于基于点云的 3D 物体检测的无监督域自适应。该流水线通过特定的设计使检测器能够与一致且高质量的伪标签进行训练，并避免过度配合伪标记数据中大量的易样本，实现了对所有评估数据集的领先性能，并甚至超过了 KITTI 3D 目标检测基准的全监督结果。

Mar, 2021

UADA3D：基于稀疏 LiDAR 和大域差异的无监督敌对领域自适应三维物体检测

我们在这项研究中填补现有无监督领域自适应方法的空白，这些方法主要集中于适应已经建立的高密度自动驾驶数据集。我们专注于稀疏的点云，从不同的角度捕捉场景，不仅来自道路上的车辆，还来自人行道上的移动机器人，遇到显著不同的环境条件和传感器配置。我们引入了无监督对抗领域自适应三维物体检测（UADA3D），不依赖于预训练源模型和师生架构，而是使用对抗性方法直接学习域不变特征。我们在各种适应场景中证明了其功效，在自动驾驶汽车和移动机器人领域都取得了显著的改进。我们的代码是开源的，即将推出。

Mar, 2024

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

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

ST3D++: 3D 目标检测的无监督域自适应去噪自训练

本文提出了一种名为 ST3D ++ 的自学习方法，通过开发一个全面的伪标签降噪管道，旨在进行无监督域自适应来降低伪标签噪声以及缓解噪声伪标签对模型训练的负面影响，并在 KITTI 等多个三维基准数据集上实现了最先进的性能。

Aug, 2021

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

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

WLST：基于弱标签引导的弱监督域适应在三维物体检测中的自训练

我们提出了一种弱标签引导的自训练框架，用于 3D 物体检测中的领域适应，通过将自动标记器融入现有的自训练流程中，生成更健壮和一致的伪标签，以提高领域适应的性能。

Oct, 2023

领域自适应物体检测的联合分布对齐：通过对抗学习实现

本文提出了一个联合自适应检测框架 (JADF)，通过联合、条件式对齐特征空间和返回类别空间，以提高无监督域自适应目标检测的性能，并提出了类别可迁移度评估指标来考虑每个对象类别的可迁移度，实现了无监督域自适应目标检测中 - state-of-the-art 性能。

Sep, 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