論文の概要: Domain Adaptation on Point Clouds via Geometry-Aware Implicits
- arxiv url: http://arxiv.org/abs/2112.09343v1
- Date: Fri, 17 Dec 2021 06:28:01 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-20 16:05:25.602211
- Title: Domain Adaptation on Point Clouds via Geometry-Aware Implicits
- Title（参考訳）: 幾何認識暗黙による点雲上の領域適応
- Authors: Yuefan Shen and Yanchao Yang and Mi Yan and He Wang and Youyi Zheng
and Leonidas Guibas
- Abstract要約: 一般的な幾何学的表現として、ポイントクラウドは3Dビジョンにおいて多くの注目を集めており、自律運転やロボット工学における多くの応用につながっている。
ポイントクラウドで学ぶ上で重要な未解決の問題は、同じ物体の点雲が異なる手順で生成されたり、異なるセンサーで捉えられたりすると、大きな幾何学的なバリエーションを持つ可能性があることである。
ドメインギャップを減らすための典型的なテクニックは、機能領域の点雲が整列できるように、敵対的なトレーニングを実行することである。
本稿では,幾何認識型暗黙的学習の自己指導的タスクを用いて,点雲上での教師なし領域適応の簡易かつ効果的な手法を提案する。
- 参考スコア（独自算出の注目度）: 14.404842571470061
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: As a popular geometric representation, point clouds have attracted much
attention in 3D vision, leading to many applications in autonomous driving and
robotics. One important yet unsolved issue for learning on point cloud is that
point clouds of the same object can have significant geometric variations if
generated using different procedures or captured using different sensors. These
inconsistencies induce domain gaps such that neural networks trained on one
domain may fail to generalize on others. A typical technique to reduce the
domain gap is to perform adversarial training so that point clouds in the
feature space can align. However, adversarial training is easy to fall into
degenerated local minima, resulting in negative adaptation gains. Here we
propose a simple yet effective method for unsupervised domain adaptation on
point clouds by employing a self-supervised task of learning geometry-aware
implicits, which plays two critical roles in one shot. First, the geometric
information in the point clouds is preserved through the implicit
representations for downstream tasks. More importantly, the domain-specific
variations can be effectively learned away in the implicit space. We also
propose an adaptive strategy to compute unsigned distance fields for arbitrary
point clouds due to the lack of shape models in practice. When combined with a
task loss, the proposed outperforms state-of-the-art unsupervised domain
adaptation methods that rely on adversarial domain alignment and more
complicated self-supervised tasks. Our method is evaluated on both PointDA-10
and GraspNet datasets. The code and trained models will be publicly available.
- Abstract（参考訳）: 一般的な幾何学表現として、ポイントクラウドは3dビジョンで多くの注目を集め、自動運転とロボティクスの多くの応用につながった。
ポイントクラウドで学ぶ上で重要な未解決の問題は、同じ物体の点雲が異なる手順で生成されたり、異なるセンサーで捉えられたりすると、大きな幾何学的なバリエーションを持つ可能性があることである。
これらの矛盾は、あるドメインでトレーニングされたニューラルネットワークが他のドメインを一般化できないようなドメインギャップを引き起こす。
ドメインのギャップを減らす典型的なテクニックは、機能空間内のポイントクラウドが整えるように、逆のトレーニングを実行することです。
しかし、逆行訓練は、容易に退化した局所性ミニマに陥り、負の適応が生じる。
本稿では,一ショットで2つの重要な役割を担う幾何認識暗黙を学習する自己教師型タスクを用いて,点雲上での教師なしドメイン適応の簡易かつ効果的な手法を提案する。
まず、ポイントクラウド内の幾何学的情報は、下流タスクの暗黙の表現を通して保存される。
さらに重要なことに、ドメイン固有のバリエーションは暗黙の空間で効果的に学習することができる。
また,形状モデルの欠如により任意の点雲に対して符号なし距離場を計算する適応戦略を提案する。
タスク損失と組み合わせることで、敵のドメインアライメントとより複雑な自己管理タスクに依存する最先端の非教師なしドメイン適応手法より優れている。
提案手法はPointDA-10とGraspNetの両方のデータセットで評価される。
コードとトレーニングされたモデルは一般公開される。
関連論文リスト
- Bridging Domain Gap of Point Cloud Representations via Self-Supervised Geometric Augmentation [15.881442863961531]
領域間の点雲表現の幾何学的不変性を誘導する新しいスキームを提案する。
一方、点雲のセントロイドシフトを軽減するために、拡張サンプルの距離の変換を予測するための新しいプレテキストタスクが提案されている。
一方,我々は幾何学的に拡張された点雲上での自己教師付き関係学習の統合を開拓した。
論文 参考訳（メタデータ） (2024-09-11T02:39:19Z) - CloudFixer: Test-Time Adaptation for 3D Point Clouds via Diffusion-Guided Geometric Transformation [33.07886526437753]
実世界のセンサーから捉えた3Dポイントの雲は、様々な障害物のためにしばしばノイズの多い点を包含する。
これらの課題は、クリーンポイントクラウドでトレーニングされたトレーニング済みのポイントクラウド認識モデルのデプロイを妨げる。
本研究では,3次元点雲に適したテスト時間入力適応法であるCloudFixerを提案する。
論文 参考訳（メタデータ） (2024-07-23T05:35:04Z) - Compositional Semantic Mix for Domain Adaptation in Point Cloud
Segmentation [65.78246406460305]
合成意味混合は、ポイントクラウドセグメンテーションのための最初の教師なし領域適応技術である。
本稿では、ソースドメイン(例えば合成)からの点雲とターゲットドメイン(例えば実世界)からの点雲を同時に処理できる2分岐対称ネットワークアーキテクチャを提案する。
論文 参考訳（メタデータ） (2023-08-28T14:43:36Z) - Clustering based Point Cloud Representation Learning for 3D Analysis [80.88995099442374]
本稿では,ポイントクラウド分析のためのクラスタリングに基づく教師付き学習手法を提案する。
現在のデファクトでシーンワイドなトレーニングパラダイムとは異なり、我々のアルゴリズムは点埋め込み空間上でクラス内のクラスタリングを行う。
我々のアルゴリズムは、有名なポイントクラウドセグメンテーションデータセットの顕著な改善を示している。
論文 参考訳（メタデータ） (2023-07-27T03:42:12Z) - GPr-Net: Geometric Prototypical Network for Point Cloud Few-Shot
Learning [2.4366811507669115]
GPr-Netは、点雲の原型位相を捉える軽量で計算効率の良い幾何学的ネットワークである。
GPr-Netは、ポイントクラウド上の数ショット学習において最先端の手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2023-04-12T17:32:18Z) - Self-Distillation for Unsupervised 3D Domain Adaptation [15.660045080090711]
3次元視覚における点群分類のための教師なし領域適応法(UDA)を提案する。
本研究では、ポイントクラウドとその拡張バージョン間の一貫性を強制する対象ドメインの識別的特徴空間を得ることに焦点をあてる。
疑似ラベルを洗練させるために,UDAコンテキストにおけるグラフニューラルネットワークを利用した新しい反復的自己学習手法を提案する。
論文 参考訳（メタデータ） (2022-10-15T08:37:02Z) - Data Augmentation-free Unsupervised Learning for 3D Point Cloud
Understanding [61.30276576646909]
ソフトクラスタリング(SoftClu)と呼ばれる,移動可能な点レベルの特徴を学習するための,ポイントクラウドに対する拡張不要な教師なしアプローチを提案する。
我々は,クラスタに対するポイントのアフィリエイトをプロキシとして利用し,擬似ラベル予測タスクを通じて自己学習を可能にする。
論文 参考訳（メタデータ） (2022-10-06T10:18:16Z) - Adapting the Mean Teacher for keypoint-based lung registration under
geometric domain shifts [75.51482952586773]
ディープニューラルネットワークは一般的に、ラベル付きトレーニングデータが多く必要であり、トレーニングデータとテストデータの間のドメインシフトに弱い。
本稿では,ラベル付きソースからラベル付きターゲットドメインへのモデルの適用により,画像登録のための幾何学的領域適応手法を提案する。
本手法は,ベースラインモデルの精度を目標データに適合させながら,ベースラインモデルの50%/47%を継続的に改善する。
論文 参考訳（メタデータ） (2022-07-01T12:16:42Z) - Unsupervised Representation Learning for 3D Point Cloud Data [66.92077180228634]
我々は、教師なしのポイントクラウド学習に対して、シンプルで効果的なアプローチを提案する。
特に、原点雲の優れたコントラストバージョンを生成する非常に有用な変換を同定する。
本研究では,3次元オブジェクト分類,形状部分分割,シーン分割の3つの下流タスクについて実験を行った。
論文 参考訳（メタデータ） (2021-10-13T10:52:45Z) - Stagewise Unsupervised Domain Adaptation with Adversarial Self-Training
for Road Segmentation of Remote Sensing Images [93.50240389540252]
リモートセンシング画像からの道路セグメンテーションは、幅広い応用可能性を持つ課題である。
本稿では,この領域における領域シフト(DS)問題に対処するため,RoadDAと呼ばれる新たな段階的ドメイン適応モデルを提案する。
2つのベンチマーク実験の結果、RoadDAはドメインギャップを効率的に減らし、最先端の手法より優れていることが示された。
論文 参考訳（メタデータ） (2021-08-28T09:29:14Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。