論文の概要: Curvature Diversity-Driven Deformation and Domain Alignment for Point Cloud

• arxiv url: http://arxiv.org/abs/2410.02720v2
• Date: Sat, 5 Oct 2024 03:11:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-04 01:13:18.819383
• Title: Curvature Diversity-Driven Deformation and Domain Alignment for Point Cloud
• Title（参考訳）: 点雲に対する曲率多様性駆動変形と領域アライメント
• Authors: Mengxi Wu, Hao Huang, Yi Fang, Mohammad Rostami,
• Abstract要約: Unsupervised Domain Adaptation (UDA)は、広範囲な手動データアノテーションの必要性を減らすために重要である。 textbfCurvature textbfDiversity-Driven textbfNuclear-Norm Wasserstein textbfDomain Alignment (CDND)を提案する。 提案手法ではまず,多変量駆動型変形型 textbfReconstruction (CurvRec) タスクを導入する。 次にtextittextbfD を提案します
• 参考スコア（独自算出の注目度）: 28.713586981346808
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Unsupervised Domain Adaptation (UDA) is crucial for reducing the need for extensive manual data annotation when training deep networks on point cloud data. A significant challenge of UDA lies in effectively bridging the domain gap. To tackle this challenge, we propose \textbf{C}urvature \textbf{D}iversity-Driven \textbf{N}uclear-Norm Wasserstein \textbf{D}omain Alignment (CDND). Our approach first introduces a \textit{\textbf{Curv}ature Diversity-driven Deformation \textbf{Rec}onstruction (CurvRec)} task, which effectively mitigates the gap between the source and target domains by enabling the model to extract salient features from semantically rich regions of a given point cloud. We then propose \textit{\textbf{D}eformation-based \textbf{N}uclear-norm \textbf{W}asserstein \textbf{D}iscrepancy (D-NWD)}, which applies the Nuclear-norm Wasserstein Discrepancy to both \textit{deformed and original} data samples to align the source and target domains. Furthermore, we contribute a theoretical justification for the effectiveness of D-NWD in distribution alignment and demonstrate that it is \textit{generic} enough to be applied to \textbf{any} deformations. To validate our method, we conduct extensive experiments on two public domain adaptation datasets for point cloud classification and segmentation tasks. Empirical experiment results show that our CDND achieves state-of-the-art performance by a noticeable margin over existing approaches.
• Abstract（参考訳）: Unsupervised Domain Adaptation (UDA)は、ポイントクラウドデータ上でディープネットワークをトレーニングする際に、広範な手動データアノテーションの必要性を減らすために重要である。 UDAの重要な課題は、ドメインギャップを効果的に埋めることである。 この課題に対処するために、我々は \textbf{C}urvature \textbf{D}iversity-Driven \textbf{N}uclear-Norm Wasserstein \textbf{D}omain Alignment (CDND)を提案する。 提案手法ではまず,与えられたポイントクラウドのセマンティックリッチな領域から有意な特徴を抽出することで,ソースドメインとターゲットドメインのギャップを効果的に軽減する。 次に,Nuclear-norm \textbf{W}asserstein \textbf{D}iscrepancy (D-NWD)}を提案する。 さらに、分布アライメントにおけるD-NWDの有効性の理論的正当化に寄与し、それが \textbf{any} 変形に適用できるだけの \textit{generic} であることを示す。 提案手法を検証するために,2つのパブリックドメイン適応データセットを用いて,ポイントクラウド分類とセグメンテーションタスクについて広範な実験を行った。 実証実験の結果,本研究のCDNDは既存手法よりも顕著な差で最先端の性能を実現していることがわかった。

関連論文リスト

• Noise Optimized Conditional Diffusion for Domain Adaptation [7.414646586981638]
  Pseudo-labelingはUnsupervised Domain Adaptation(UDA)の基盤である textbfNoise textbfOptimized textbfConditional textbfDiffusion for textbfDomain textbfAdaptation (textbfNOCDDA)を提案する。
  論文  参考訳（メタデータ） (2025-05-12T13:28:31Z)
• PointSFDA: Source-free Domain Adaptation for Point Cloud Completion [27.48403130855686]
  本稿では,ポイントクラウド補完のための効果的なオープンソースフリードメイン適応フレームワークを提案する。 PointSFDAは、事前訓練されたソースモデルと未ラベルのターゲットデータのみを使用して適応する。 本手法は,ドメイン間の整形における最先端ネットワークの性能を著しく向上させる。
  論文  参考訳（メタデータ） (2025-03-19T12:09:45Z)
• Differential Alignment for Domain Adaptive Object Detection [13.664876152118165]
  ドメイン適応オブジェクト検出(DAOD)は、ラベル付きソースドメインデータに基づいてトレーニングされたオブジェクト検出器をアノテーションなしでターゲットドメインに一般化することを目的としている。 既存のアプローチでは、ソースとターゲットドメイン全体の分布を調整するために、逆学習を採用している。 本稿では,その欠点を克服するための特徴アライメント戦略を提案する。
  論文  参考訳（メタデータ） (2024-12-17T11:52:10Z)
• Unsupervised Domain Adaptation Via Data Pruning [0.0]
  非教師なし領域適応(UDA)の観点から問題を考える。 本稿では,UDAのトレーニング例を取り除き,トレーニング分布を対象データと整合させる手法であるAdaPruneを提案する。 UDAの手法として、AdaPruneは関連する技術より優れており、CoRALなどの他のUDAアルゴリズムと相補的であることを示す。
  論文  参考訳（メタデータ） (2024-09-18T15:48:59Z)
• Towards Robust Online Domain Adaptive Semantic Segmentation under Adverse Weather Conditions [43.58583290714884]
  textbfRobust textbfOnline textbfDomain textbfAdaptive textbfSemantic textbfSegmentation framework。 提案手法は,約40フレーム/秒(FPS)を維持しながら,広く使用されているOnDAベンチマークの最先端手法より優れている。
  論文  参考訳（メタデータ） (2024-09-02T08:53:08Z)
• MICDrop: Masking Image and Depth Features via Complementary Dropout for Domain-Adaptive Semantic Segmentation [155.0797148367653]
  Unsupervised Domain Adaptation (UDA)は、ラベル付きソースドメインとラベルなしターゲットドメインの間のドメインギャップを埋めるタスクである。 深度不連続性はしばしばセグメンテーション境界と一致するため、幾何学的情報、すなわち深度予測を活用することを提案する。 提案手法は, 様々な UDA 手法にプラグインし, 標準 UDA ベンチマークで連続的に結果を改善することができることを示す。
  論文  参考訳（メタデータ） (2024-08-29T12:15:10Z)
• Table-Filling via Mean Teacher for Cross-domain Aspect Sentiment Triplet Extraction [30.2200481149647]
  クロスドメイン・アスペクト・インスペクティブ・トリプレット抽出(ASTE)は、対象のドメイン文からきめ細かい感情要素を抽出することを目的としている。 textbfMean textbfTeacher (TFMT) を用いた textbfTable-textbfFilling という新しい手法を提案する。 提案手法は,最小パラメータと計算コストで最先端性能を実現する。
  論文  参考訳（メタデータ） (2024-07-23T09:04:08Z)
• BiEquiFormer: Bi-Equivariant Representations for Global Point Cloud Registration [28.75341781515012]
  本研究の目的は,グローバルポイントクラウド登録(PCR)の問題,すなわち,ポイントクラウド間の最適なアライメントを見つけることにある。 本研究では,現在最先端のディープラーニング手法が,任意の点の雲を空間に配置した場合に,大きな性能劣化に悩まされていることを示す。
  論文  参考訳（メタデータ） (2024-07-11T17:58:10Z)
• Review-Based Cross-Domain Recommendation via Hyperbolic Embedding and Hierarchy-Aware Domain Disentanglement [0.65268245109828]
  Cross-Domain Recommendation (CDR)は、ドメイン共有可能な知識をキャプチャし、よりリッチなドメインからスパサーに転送する。 本稿では,ユーザ・イテム関係をモデル化するためのレビューテキストに基づく双曲型CDR手法を提案する。
  論文  参考訳（メタデータ） (2024-03-29T17:15:21Z)
• Implicit Bayes Adaptation: A Collaborative Transport Approach [25.96406219707398]
  領域適応は、高次元ユークリッド空間に埋め込まれた非線型部分多様体に本質的に横たわる各データの固有表現に根付いていることを示す。 これは暗黙のベイズ的フレームワークに準じるものであり、ドメイン適応に対するより堅牢で優れたパフォーマンスのアプローチで実現可能であることを示す。
  論文  参考訳（メタデータ） (2023-04-17T14:13:40Z)
• CAusal and collaborative proxy-tasKs lEarning for Semi-Supervised Domain Adaptation [20.589323508870592]
  半教師付きドメイン適応(SSDA)は、ソースドメインデータとラベル付きターゲットサンプルを効果的に活用することにより、学習者を新しいドメインに適応させる。 提案手法は,SSDAデータセットの有効性と汎用性の観点から,SOTA法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-03-30T16:48:28Z)
• Learning Feature Decomposition for Domain Adaptive Monocular Depth Estimation [51.15061013818216]
  改良されたアプローチは、深層学習の進歩で大きな成功をもたらしたが、それらは大量の地底深度アノテーションに依存している。 教師なしドメイン適応(UDA)は、教師付き学習の制約を緩和するため、ラベル付きソースデータからラベルなしターゲットデータに知識を転送する。 本稿では,その特徴空間をコンテンツやスタイルコンポーネントに分解することを学ぶための,学習特徴分解 for Adaptation (LFDA) と呼ばれる新しいMDEのためのUDA手法を提案する。
  論文  参考訳（メタデータ） (2022-07-30T08:05:35Z)
• Dual Adaptive Transformations for Weakly Supervised Point Cloud Segmentation [78.6612285236938]
  弱制御点雲分割のための新しいDATモデル(textbfDual textbfAdaptive textbfTransformations)を提案する。 我々は,大規模S3DISデータセットとScanNet-V2データセットの2つの人気バックボーンを用いたDATモデルの評価を行った。
  論文  参考訳（メタデータ） (2022-07-19T05:43:14Z)
• Source-Free Domain Adaptation via Distribution Estimation [106.48277721860036]
  ドメイン適応は、ラベル付きソースドメインから学んだ知識を、データ分散が異なるラベル付きターゲットドメインに転送することを目的としています。 近年,ソースフリードメイン適応 (Source-Free Domain Adaptation, SFDA) が注目されている。 本研究では,SFDA-DEと呼ばれる新しいフレームワークを提案し,ソース分布推定によるSFDAタスクに対処する。
  論文  参考訳（メタデータ） (2022-04-24T12:22:19Z)
• 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)
• Target and Task specific Source-Free Domain Adaptive Image Segmentation [73.78898054277538]
  ソースフリー領域適応画像分割のための2段階のアプローチを提案する。 我々は,高エントロピー領域を抑えつつ,ターゲット固有の擬似ラベルを生成することに注力する。 第2段階では、タスク固有の表現にネットワークを適用することに重点を置いている。
  論文  参考訳（メタデータ） (2022-03-29T17:50:22Z)
• Generalizable Person Re-Identification via Self-Supervised Batch Norm Test-Time Adaption [63.7424680360004]
  Batch Norm Test-time Adaption (BNTA)は、BNパラメータを適応的に更新するための自己教師型戦略を適用する、新しいre-idフレームワークである。 BNTAは、推論前にラベル付けされていないターゲットデータ内のドメイン認識情報を探索し、BNによって正規化された特徴分布を変調してターゲットドメインに適応させる。
  論文  参考訳（メタデータ） (2022-03-01T18:46:32Z)
• Towards Uncovering the Intrinsic Data Structures for Unsupervised Domain Adaptation using Structurally Regularized Deep Clustering [119.88565565454378]
  Unsupervised Domain Adapt (UDA) は、ターゲットドメイン上のラベルなしデータの予測を行う分類モデルを学ぶことである。 本稿では,対象データの正規化判別クラスタリングと生成クラスタリングを統合する構造的正規化深層クラスタリングのハイブリッドモデルを提案する。 提案するH-SRDCは, インダクティブ設定とトランスダクティブ設定の両方において, 既存の手法よりも優れている。
  論文  参考訳（メタデータ） (2020-12-08T08:52:00Z)
• Learning Invariant Representations and Risks for Semi-supervised Domain Adaptation [109.73983088432364]
  半教師付きドメイン適応(Semi-DA)の設定の下で不変表現とリスクを同時に学習することを目的とした最初の手法を提案する。 共同で textbfLearning textbfInvariant textbfRepresentations と textbfRisks の LIRR アルゴリズムを導入する。
  論文  参考訳（メタデータ） (2020-10-09T15:42:35Z)

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。