論文の概要: Source-Free Domain Adaptation for Geospatial Point Cloud Semantic Segmentation

• arxiv url: http://arxiv.org/abs/2601.08375v1
• Date: Tue, 13 Jan 2026 09:37:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-14 18:27:19.137444
• Title: Source-Free Domain Adaptation for Geospatial Point Cloud Semantic Segmentation
• Title（参考訳）: 地理空間クラウドセマンティックセマンティックセグメンテーションのためのソースフリードメイン適応
• Authors: Yuan Gao, Di Cao, Xiaohuan Xi, Sheng Nie, Shaobo Xia, Cheng Wang,
• Abstract要約: LoGoは地理空間的なクラウド用に特別に設計された新しいフレームワークである。 最適輸送方式のグローバル分散アライメントモジュールを提案する。 また、二重整合性擬似ラベルフィルタリング機構を提案する。
• 参考スコア（独自算出の注目度）: 9.330897492150447
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Semantic segmentation of 3D geospatial point clouds is pivotal for remote sensing applications. However, variations in geographic patterns across regions and data acquisition strategies induce significant domain shifts, severely degrading the performance of deployed models. Existing domain adaptation methods typically rely on access to source-domain data. However, this requirement is rarely met due to data privacy concerns, regulatory policies, and data transmission limitations. This motivates the largely underexplored setting of source-free unsupervised domain adaptation (SFUDA), where only a pretrained model and unlabeled target-domain data are available. In this paper, we propose LoGo (Local-Global Dual-Consensus), a novel SFUDA framework specifically designed for geospatial point clouds. At the local level, we introduce a class-balanced prototype estimation module that abandons conventional global threshold filtering in favor of an intra-class independent anchor mining strategy. This ensures that robust feature prototypes can be generated even for sample-scarce tail classes, effectively mitigating the feature collapse caused by long-tailed distributions. At the global level, we introduce an optimal transport-based global distribution alignment module that formulates pseudo-label assignment as a global optimization problem. By enforcing global distribution constraints, this module effectively corrects the over-dominance of head classes inherent in local greedy assignments, preventing model predictions from being severely biased towards majority classes. Finally, we propose a dual-consistency pseudo-label filtering mechanism. This strategy retains only high-confidence pseudo-labels where local multi-augmented ensemble predictions align with global optimal transport assignments for self-training.
• Abstract（参考訳）: 3次元地理空間点雲のセマンティックセグメンテーションはリモートセンシングアプリケーションにとって重要である。 しかし、地域ごとの地理的パターンの変化とデータ取得戦略は大きなドメインシフトを引き起こし、デプロイされたモデルの性能を著しく低下させる。 既存のドメイン適応メソッドは通常、ソースドメインデータへのアクセスに依存します。 しかし、この要件は、データプライバシの懸念、規制ポリシー、データ転送の制限のために満たされることはめったにない。 これは、事前訓練されたモデルと未ラベルのターゲットドメインデータしか利用できない、ソースフリーな非教師なしドメイン適応(SFUDA)のほとんど探索されていない設定を動機付けている。 本稿では,地空間点雲に特化して設計された新しいSFUDAフレームワークであるLoGo(Local-Global Dual-Consensus)を提案する。 地域レベルでは,従来のグローバルしきい値フィルタリングを廃止し,クラス内独立型アンカーマイニング戦略を採用するクラスバランス型プロトタイプ推定モジュールを導入する。 これにより、サンプルスカーステールクラスであってもロバストな機能プロトタイプを生成することができ、長い尾の分布による機能崩壊を効果的に軽減できる。 グローバルレベルでは、擬似ラベルの割り当てを大域最適化問題として定式化する、トランスポートベースの最適グローバル分散アライメントモジュールを導入する。 グローバルな分布制約を強制することにより、このモジュールは局所的な欲求代入に固有のヘッドクラスの過剰な支配を効果的に補正し、モデルの予測が多数派にひどく偏っているのを防ぐ。 最後に,デュアル一貫性の擬似ラベルフィルタリング機構を提案する。 この戦略は、ローカルなマルチ強化アンサンブル予測と、自己学習のためのグローバルな最適なトランスポート割り当てが一致するような、高信頼の擬似ラベルのみを保持する。

関連論文リスト

• Adaptive Global-Local Representation Learning and Selection for Cross-Domain Facial Expression Recognition [54.334773598942775]
  ドメインシフトは、クロスドメイン顔表情認識(CD-FER)において重要な課題となる 適応的グローバルローカル表現学習・選択フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-01-20T02:21:41Z)
• Upcycling Models under Domain and Category Shift [95.22147885947732]
  グローバルかつ局所的なクラスタリング学習技術(GLC)を導入する。 我々は、異なる対象クラス間での区別を実現するために、新しい1-vs-allグローバルクラスタリングアルゴリズムを設計する。 注目すべきは、最も困難なオープンパーティルセットDAシナリオにおいて、GLCは、VisDAベンチマークでUMADを14.8%上回っていることである。
  論文  参考訳（メタデータ） (2023-03-13T13:44:04Z)
• Chaos to Order: A Label Propagation Perspective on Source-Free Domain Adaptation [8.27771856472078]
  我々は、ソースフリードメイン適応(SFDA)のための新しいアプローチであるChaos to Order(CtO)を提示する。 CtOは、セマンティックな信頼性を制約し、ターゲットのサブポピュレーション間でラベル情報を伝達する。 実証的な証拠は、CtOが3つの公開ベンチマークで芸術の状態を上回っていることを示している。
  論文  参考訳（メタデータ） (2023-01-20T03:39:35Z)
• 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)
• From Big to Small: Adaptive Learning to Partial-Set Domains [94.92635970450578]
  ドメイン適応は、分布シフト中のラベル付きソースドメインからラベルなしターゲットドメインへの知識獲得と普及を目標とする。 近年の進歩は、大規模の深層学習モデルにより、小規模の下流の多様な課題に取り組むための豊富な知識が得られていることを示している。 本稿では,学習パラダイムである部分領域適応(Partial Domain Adaptation, PDA)を紹介する。
  論文  参考訳（メタデータ） (2022-03-14T07:02:45Z)
• 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)
• Alleviating Semantic-level Shift: A Semi-supervised Domain Adaptation Method for Semantic Segmentation [97.8552697905657]
  このタスクの重要な課題は、ソースとターゲットドメイン間のデータ分散の相違を緩和する方法である。 本稿では,グローバルな視点とローカルな視点の両方から分布の整合性を促進できるASS(Alleviating Semantic-level Shift)を提案する。 GTA5、Cityscapes、Synthia、Cityscapesの2つのドメイン適応タスクにASSを適用します。
  論文  参考訳（メタデータ） (2020-04-02T03:25:05Z)

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。