Oct, 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

HTML
PDF
TL;DR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。
发现论文，激发创造
  • xMUDA：跨模态无监督3D语义分割领域自适应

    本篇论文提出了一种跨模态迁移学习方法（xMUDA），用于解决多模态数据下的无监督域适应问题，借助自动驾驶数据集验证了该方法的有效性并与单模态方法进行了比较。

    Nov, 2019

  • 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

  • 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

  • 跨模态和跨领域学习的无监督LiDAR语义分割

    该论文介绍了一种新的三维激光雷达语义分割设置，利用交叉模态和跨域学习（CoMoDaL）方法，通过构建混合数据样本和应用多个约束来实现无需标记三维激光雷达数据的分割。

    Aug, 2023

  • LiDAR-UDA: 时间自组织的无监督LiDAR域适应

    LiDAR-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%。

    Sep, 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

  • CMDA：基于LiDAR的三维物体检测的跨模态和领域对抗适应

    通过引入一种名为CMDA的新型无监督领域适应方法，利用图像模态（即相机图像）中的视觉语义线索作为一种有效的语义桥梁来缩小跨模态鸟瞰图表示的领域差距，并采用对抗性自我训练策略，使模型生成具有领域不变性的特征，从而为新的数据分布提供高度信息化和领域自适应的3D目标检测模型。在包括nuScenes、Waymo和KITTI在内的大规模基准测试中，以上所述方法为无监督领域适应任务带来了显著的性能提升，并达到了最先进的性能水平。

    Mar, 2024