論文の概要: PC-Adapter: Topology-Aware Adapter for Efficient Domain Adaption on Point Clouds with Rectified Pseudo-label

• arxiv url: http://arxiv.org/abs/2309.16936v1
• Date: Fri, 29 Sep 2023 02:32:01 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-02 15:45:19.338023
• Title: PC-Adapter: Topology-Aware Adapter for Efficient Domain Adaption on Point Clouds with Rectified Pseudo-label
• Title（参考訳）: pc-adapter:正則擬似ラベルを持つ点雲上の効率的なドメイン適応のためのトポロジー対応アダプタ
• Authors: Joonhyung Park, Hyunjin Seo, Eunho Yang
• Abstract要約: ドメインシフトシナリオの下では、ポイントクラウドデータのユニークな課題を再考します。 アダプタ誘導型ドメイン適応手法 PC-Adapter を提案する。 本手法は,ベンチマークデータセットにおける各種領域シフト設定のベースラインよりも優れていることを示す。
• 参考スコア（独自算出の注目度）: 39.6711648793659
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Understanding point clouds captured from the real-world is challenging due to shifts in data distribution caused by varying object scales, sensor angles, and self-occlusion. Prior works have addressed this issue by combining recent learning principles such as self-supervised learning, self-training, and adversarial training, which leads to significant computational overhead.Toward succinct yet powerful domain adaptation for point clouds, we revisit the unique challenges of point cloud data under domain shift scenarios and discover the importance of the global geometry of source data and trends of target pseudo-labels biased to the source label distribution. Motivated by our observations, we propose an adapter-guided domain adaptation method, PC-Adapter, that preserves the global shape information of the source domain using an attention-based adapter, while learning the local characteristics of the target domain via another adapter equipped with graph convolution. Additionally, we propose a novel pseudo-labeling strategy resilient to the classifier bias by adjusting confidence scores using their class-wise confidence distributions to consider relative confidences. Our method demonstrates superiority over baselines on various domain shift settings in benchmark datasets - PointDA, GraspNetPC, and PointSegDA.
• Abstract（参考訳）: 実世界から捉えた点雲の理解は、物体のスケールやセンサーの角度、自己完結によって引き起こされるデータ分布の変化によって困難である。 従来の研究は, 自己教師型学習, 自己学習, 対人訓練といった近年の学習原理を組み合わせることでこの問題に対処してきた。これにより, ポイントクラウドの領域適応の簡潔さが向上し, ドメインシフトシナリオ下でのポイントクラウドデータのユニークな課題を再考し, ソースデータのグローバルジオメトリの重要性と, ソースラベル分布に偏ったターゲットの擬似ラベルのトレンドを明らかにする。 そこで本研究では,対象領域の局所的特性をグラフ畳み込み機能を備えた他のアダプタで学習しながら,注意に基づくアダプタを用いてソース領域のグローバル形状情報を保存できるアダプタガイドドメイン適応法pc-adapterを提案する。 さらに,クラス毎の信頼度分布を用いて信頼度を調整し,相対的信頼度を考慮し,分類子バイアスに耐性のある新たな擬似ラベル戦略を提案する。 本手法は,ベンチマークデータセット(PointDA, GraspNetPC, PointSegDA)におけるドメインシフト設定のベースラインよりも優れていることを示す。

関連論文リスト

• Progressive Conservative Adaptation for Evolving Target Domains [76.9274842289221]
  従来のドメイン適応は、典型的には、ソースドメインから定常ターゲットドメインに知識を転送する。 このような対象データに対する復元と適応は、時間とともに計算とリソース消費をエスカレートする。 我々は、進歩的保守的適応(PCAda)と呼ばれる、単純で効果的なアプローチを提案する。
  論文  参考訳（メタデータ） (2024-02-07T04:11:25Z)
• Unsupervised Domain Adaptation via Distilled Discriminative Clustering [45.39542287480395]
  対象データの識別クラスタリングとしてドメイン適応問題を再検討する。 本稿では,ラベル付き情報源データよりも並列に教師付き学習目標を用いて,ネットワークを協調的に訓練することを提案する。 5つの人気のあるベンチマークデータセットに対して、慎重にアブレーション研究と広範な実験を行う。
  論文  参考訳（メタデータ） (2023-02-23T13:03:48Z)
• Divide and Contrast: Source-free Domain Adaptation via Adaptive Contrastive Learning [122.62311703151215]
  Divide and Contrast (DaC) は、それぞれの制限を回避しつつ、両方の世界の善良な端を接続することを目的としている。 DaCは、ターゲットデータをソースライクなサンプルとターゲット固有なサンプルに分割する。 さらに、ソースライクなドメインと、メモリバンクベースの最大平均離散性(MMD)損失を用いて、ターゲット固有のサンプルとを整合させて、分散ミスマッチを低減する。
  論文  参考訳（メタデータ） (2022-11-12T09:21:49Z)
• Instance Relation Graph Guided Source-Free Domain Adaptive Object Detection [79.89082006155135]
  教師なしドメイン適応(Unsupervised Domain Adaptation, UDA)は、ドメインシフトの問題に取り組むための効果的なアプローチである。 UDAメソッドは、ターゲットドメインの一般化を改善するために、ソースとターゲット表現を整列させようとする。 Source-Free Adaptation Domain (SFDA)設定は、ソースデータへのアクセスを必要とせずに、ターゲットドメインに対してソーストレーニングされたモデルを適用することで、これらの懸念を軽減することを目的としている。
  論文  参考訳（メタデータ） (2022-03-29T17:50:43Z)
• Instance Level Affinity-Based Transfer for Unsupervised Domain Adaptation [74.71931918541748]
  ILA-DAと呼ばれる適応中のソースからターゲットへの転送に対するインスタンス親和性に基づく基準を提案する。 まず、ソースとターゲットをまたいだ類似および異種サンプルを抽出し、マルチサンプルのコントラスト損失を利用してドメインアライメントプロセスを駆動する信頼性が高く効率的な手法を提案する。 ILA-DAの有効性は、様々なベンチマークデータセットに対する一般的なドメイン適応手法よりも精度が一貫した改善を観察することによって検証する。
  論文  参考訳（メタデータ） (2021-04-03T01:33:14Z)
• Supervised Domain Adaptation using Graph Embedding [86.3361797111839]
  領域適応法は、2つの領域間の分布がシフトし、それを認識しようとすると仮定する。 グラフ埋め込みに基づく汎用フレームワークを提案する。 提案手法が強力なドメイン適応フレームワークにつながることを示す。
  論文  参考訳（メタデータ） (2020-03-09T12:25:13Z)

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。