論文の概要: Topology-Aware Modeling for Unsupervised Simulation-to-Reality Point Cloud Recognition

• arxiv url: http://arxiv.org/abs/2506.21165v1
• Date: Thu, 26 Jun 2025 11:53:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-27 19:53:10.066208
• Title: Topology-Aware Modeling for Unsupervised Simulation-to-Reality Point Cloud Recognition
• Title（参考訳）: 教師なしシミュレーション・トゥ・リアルポイントクラウド認識のためのトポロジー・アウェア・モデリング
• Authors: Longkun Zou, Kangjun Liu, Ke Chen, Kailing Guo, Kui Jia, Yaowei Wang,
• Abstract要約: 我々はオブジェクトポイントクラウド上でSim2Real UDAのための新しいTopology-Aware Modeling (TAM)フレームワークを紹介する。 提案手法は,低レベルの高周波3次元構造を特徴とするグローバル空間トポロジを利用して,領域間隙を緩和する。 本稿では,クロスドメイン・コントラスト学習と自己学習を組み合わせた高度な自己学習戦略を提案する。
• 参考スコア（独自算出の注目度）: 63.55828203989405
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Learning semantic representations from point sets of 3D object shapes is often challenged by significant geometric variations, primarily due to differences in data acquisition methods. Typically, training data is generated using point simulators, while testing data is collected with distinct 3D sensors, leading to a simulation-to-reality (Sim2Real) domain gap that limits the generalization ability of point classifiers. Current unsupervised domain adaptation (UDA) techniques struggle with this gap, as they often lack robust, domain-insensitive descriptors capable of capturing global topological information, resulting in overfitting to the limited semantic patterns of the source domain. To address this issue, we introduce a novel Topology-Aware Modeling (TAM) framework for Sim2Real UDA on object point clouds. Our approach mitigates the domain gap by leveraging global spatial topology, characterized by low-level, high-frequency 3D structures, and by modeling the topological relations of local geometric features through a novel self-supervised learning task. Additionally, we propose an advanced self-training strategy that combines cross-domain contrastive learning with self-training, effectively reducing the impact of noisy pseudo-labels and enhancing the robustness of the adaptation process. Experimental results on three public Sim2Real benchmarks validate the effectiveness of our TAM framework, showing consistent improvements over state-of-the-art methods across all evaluated tasks. The source code of this work will be available at https://github.com/zou-longkun/TAG.git.
• Abstract（参考訳）: 3次元オブジェクト形状の点集合から意味表現を学習することは、主にデータ取得方法の違いにより、大きな幾何学的バリエーションによってしばしば挑戦される。 通常、トレーニングデータは点シミュレータを使って生成され、テストデータは異なる3Dセンサーで収集され、点分類器の一般化能力を制限するシミュレーション・トゥ・リアリティ(Sim2Real)ドメインギャップにつながる。 現在の非教師なしドメイン適応(UDA)技術は、しばしばグローバルなトポロジ情報を取得することのできる堅牢でドメイン非感受性な記述子を欠いているため、ソースドメインの限られたセマンティックパターンに過度に適合する。 この問題に対処するために、オブジェクトポイントクラウド上のSim2Real UDAのための新しいTopology-Aware Modeling (TAM)フレームワークを紹介します。 提案手法は,低レベルで高周波数の3次元構造を特徴とするグローバル空間トポロジを活用することにより,領域ギャップを軽減し,新しい自己教師付き学習課題を通じて局所幾何学的特徴のトポロジ的関係をモデル化することによって,領域ギャップを緩和する。 さらに,クロスドメインのコントラスト学習と自己学習を組み合わせることで,ノイズのある擬似ラベルの影響を効果的に低減し,適応プロセスの堅牢性を高める,高度な自己学習戦略を提案する。 3つの公開Sim2Realベンチマークによる実験結果から,TAMフレームワークの有効性が検証された。 この作業のソースコードはhttps://github.com/zou-longkun/TAG.git.comで入手できる。

関連論文リスト

• Boosting Cross-Domain Point Classification via Distilling Relational Priors from 2D Transformers [59.0181939916084]
  従来の3Dネットワークは主に局所幾何学的詳細に焦点を当て、局所幾何学間の位相構造を無視する。 そこで本稿では,大規模画像上においてよく訓練されたトランスフォーマーから前駆体を抽出する,新しい先駆体蒸留法を提案する。 PointDA-10とSim-to-Realデータセットの実験は、提案手法が点クラウド分類におけるUDAの最先端性能を一貫して達成していることを検証する。
  論文  参考訳（メタデータ） (2024-07-26T06:29:09Z)
• CTS: Sim-to-Real Unsupervised Domain Adaptation on 3D Detection [16.96201890965781]
  本稿では,ラベル付きシミュレーションからラベル付き現実領域へモデルを転送するための新しいフレームワークを提案する。 実験結果から,提案手法は3次元物体検出モデルの実領域適応能力を大幅に向上することが示された。
  論文  参考訳（メタデータ） (2024-06-26T07:31:16Z)
• Source-Free and Image-Only Unsupervised Domain Adaptation for Category Level Object Pose Estimation [18.011044932979143]
  3DUDAは、3Dや深度データを使わずに、ニュアンスドライデンのターゲットドメインに適応できる手法である。 対象のカテゴリを単純な立方体メッシュとして表現し、ニューラル特徴活性化の生成モデルを利用する。 本手法は,グローバルな擬似ラベル付きデータセットの微調整を軽度な仮定でシミュレートする。
  論文  参考訳（メタデータ） (2024-01-19T17:48:05Z)
• Revisiting Domain-Adaptive 3D Object Detection by Reliable, Diverse and Class-balanced Pseudo-Labeling [38.07637524378327]
  ドメイン適応型3Dオブジェクト検出において,疑似ラベリング技術を用いた教師なしドメイン適応(DA)が重要なアプローチとして浮上している。 既存のDAメソッドは、マルチクラスのトレーニング環境に適用した場合、パフォーマンスが大幅に低下する。 本稿では,すべてのクラスを一度に検出する学習に適した新しいReDBフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-07-16T04:34:11Z)
• Unsupervised Domain Adaptation for Monocular 3D Object Detection via Self-Training [57.25828870799331]
  我々は、Mono3D上での教師なしドメイン適応のための新しい自己学習フレームワークSTMono3Dを提案する。 対象ドメイン上で適応的な擬似ラベルを生成するための教師学生パラダイムを開発する。 STMono3Dは、評価されたすべてのデータセットで顕著なパフォーマンスを達成し、KITTI 3Dオブジェクト検出データセットの完全な教師付き結果を超えています。
  論文  参考訳（メタデータ） (2022-04-25T12:23:07Z)

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。