論文の概要: 3D-BBDA: Backpropagation-Free Black-Box Domain Adaptation for Robust 3D Point Cloud Recognition

• arxiv url: http://arxiv.org/abs/2611.03588v1
• Date: Mon, 02 Nov 2026 18:33:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 03:46:49.41442
• Title: 3D-BBDA: Backpropagation-Free Black-Box Domain Adaptation for Robust 3D Point Cloud Recognition
• Title（参考訳）: 3D-BBDA:ロバスト3Dポイントクラウド認識のためのバックプロパゲーションフリーのブラックボックスドメイン適応
• Abstract要約: 3D-BBDAはバックプロパゲーションフリーのブラックボックスドメイン適応フレームワークである。 ブラックボックス出力のみを使用して、未ラベルのターゲットデータにソーストレーニングされた予測器を適用する。 ModelNet-40Cにおける平均誤差は32.08%(PointNet)と29.62%(GDANet)である。
• 参考スコア（独自算出の注目度）: 9.624476921474063
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Robust 3D point-cloud recognition is critical for robotics, mapping, and urban sensing, yet point-cloud classifiers often suffer performance drops under domain shifts caused by sensor changes, environmental variation, and acquisition artifacts. Many existing adaptation methods are difficult to deploy in practice because they require access to source data or the internal parameters of the source model, which may be restricted by privacy, licensing, or security constraints. We present 3D-BBDA, a backpropagation-free black-box domain adaptation framework that adapts a source-trained predictor to unlabeled target data using only black-box outputs. Our method performs pseudo-label guided prototype-based alignment and employs a weighted prediction module to fuse source logits with alignment logits, reducing sensitivity to noisy pseudo-labels. To stabilize prototype memory when pseudo-label coverage is incomplete, we construct a Gaussian-perturbed prototype prior from unlabeled target predictions and use it as a fallback for missing or unreliable class prototypes during alignment. Experiments on four corrupted 3D benchmarks demonstrate consistent improvements over strong baselines. On ModelNet-40C, 3D-BBDA achieves mean errors of 32.08% (PointNet) and 29.62% (GDANet), outperforming Source-only (35.88% / 34.03%) and BFTT3D (33.78% / 32.36%). 3D-BBDA requires only a single forward pass with no gradient updates making it suitable for real-time, privacy-preserving deployment in transferable 3D recognition pipelines. Project page is available at https://visdomlab.github.io/3D_BBDA
• Abstract（参考訳）: ロバストな3Dポイントクラウド認識は、ロボット工学、マッピング、都市センシングにおいて重要であるが、ポイントクラウド分類器は、センサーの変化、環境の変化、および取得アーティファクトによって引き起こされるドメインシフトの下で、しばしばパフォーマンス低下を被る。 既存のアダプティブメソッドの多くは、プライバシやライセンス、セキュリティ制約によって制限されるソースデータやソースモデルの内部パラメータへのアクセスを必要とするため、実際にはデプロイが難しい。 提案する3D-BBDAは,ブラックボックス出力のみを用いて,ソース学習した予測器を未ラベルのターゲットデータに適応させる,バックプロパゲーションフリーなブラックボックスドメイン適応フレームワークである。 提案手法では, 擬似ラベルを用いたアライメントを行い, 重み付き予測モジュールを用いてアライメントロジットを融合させ, ノイズの多い擬似ラベルに対する感度を低減させる。 擬似ラベルカバレッジが不完全である場合のプロトタイプメモリを安定化するために,未ラベルのターゲット予測からガウス摂動プロトタイプを構築し,アライメント中に欠落や信頼性の低いクラスプロトタイプのフォールバックとして利用する。 破損した4つの3Dベンチマークの実験は、強いベースラインよりも一貫した改善を示している。 ModelNet-40Cでは、3D-BBDAは32.08%(PointNet)と29.62%(GDANet)の平均誤差を達成し、ソースオンリー(35.88%/34.03%)とBFTT3D(33.78%/32.36%)を上回っている。 3D-BBDAは、転送可能な3D認識パイプラインでのリアルタイムなプライバシ保護デプロイメントに適した、勾配更新のない単一のフォワードパスのみを必要とする。 プロジェクトページはhttps://visdomlab.github.io/3D_BBDAで公開されている。

関連論文リスト

• Test-Time Adaptation of 3D Point Clouds via Denoising Diffusion Models [19.795578581043745]
  3Dポイントクラウドのテスト時間適応は、実世界のシナリオにおけるトレーニングとテストサンプルの相違を緩和するために不可欠である。 本稿では,3D Denoising Diffusion Test-Time Adaptationの略である3DD-TTAと呼ばれる新しい3Dテスト時間適応法を提案する。
  論文  参考訳（メタデータ） (2024-11-21T00:04:38Z)
• GPA-3D: Geometry-aware Prototype Alignment for Unsupervised Domain Adaptive 3D Object Detection from Point Clouds [19.1949602403668]
  既存の領域適応型3D検出法では,特徴空間における分布差の問題を適切に考慮していない。 本研究では, 点雲オブジェクトからの固有幾何学的関係を明示的に活用し, 特徴差を低減した, 教師なし領域適応型textbf3D 検出フレームワークを提案する。 nuScenes や KITTI など,様々なベンチマークで得られた評価結果は,GPA-3D の適応シナリオに対する最先端アプローチよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-08-16T04:15:21Z)
• 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)
• SSDA3D: Semi-supervised Domain Adaptation for 3D Object Detection from Point Cloud [125.9472454212909]
  本稿では,3次元物体検出(SSDA3D)のための半改良型領域適応法を提案する。 SSDA3Dはドメイン間適応ステージとドメイン内一般化ステージを含む。 実験の結果,10%のラベル付きターゲットデータしか持たないSSDA3Dは,100%のターゲットラベルを持つ完全教師付きオラクルモデルを上回ることができることがわかった。
  論文  参考訳（メタデータ） (2022-12-06T09:32:44Z)
• GLENet: Boosting 3D Object Detectors with Generative Label Uncertainty Estimation [70.75100533512021]
  本稿では,対象物の潜在的可算有界箱の多様性として,ラベルの不確実性問題を定式化する。 本稿では,条件付き変分オートエンコーダを応用した生成フレームワークであるGLENetを提案する。 GLENetが生成するラベルの不確実性はプラグアンドプレイモジュールであり、既存のディープ3D検出器に便利に統合することができる。
  論文  参考訳（メタデータ） (2022-07-06T06:26:17Z)
• ST3D: Self-training for Unsupervised Domain Adaptation on 3D ObjectDetection [78.71826145162092]
  点雲からの3次元物体検出における教師なし領域適応のための新しい領域適応型自己学習パイプラインST3Dを提案する。 当社のST3Dは、評価されたすべてのデータセットで最先端のパフォーマンスを達成し、KITTI 3Dオブジェクト検出ベンチマークで完全に監視された結果を超えます。
  論文  参考訳（メタデータ） (2021-03-09T10:51:24Z)

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。