MEnsA: Mix-up Ensemble Average for Unsupervised Multi Target Domain Adaptation on 3D Point Clouds

要約

タイトル：MEnsA：3Dポイントクラウドにおける非監視マルチターゲットドメイン適応のためのミックスアップアンサンブル平均

要約：
– MEnsAは、未ラベルのターゲットドメインとラベル付きソースドメインの間の分布シフトの問題を解決するための非監視ドメイン適応（UDA）に対応します。
– 単一のターゲットドメイン適応（STDA）は、2Dおよび3Dビジョンタスクの両方について文献でよく研究されていますが、3Dデータに対するマルチターゲットドメイン適応（MTDA）は、その広い現実世界での応用にもかかわらず、ほとんど探求されていません。
– MEnsAは、すべてのドメインからの特徴表現を混ぜ合わせてアンサンブル平均を実現することにより、より良いドメイン適応性能を実現し、3DポイントクラウドデータのMTDAのベースラインを確立します。
– 混合表現を使用して、ドメイン分類器を使用して、ソースドメインの特徴表現とターゲットドメインの特徴表現を共有潜在空間で区別することにより、性能を向上させます。
– PointDA-10データセットでの実証実験では、簡単な方法であるMEnsAが以前の非監視STDAおよびMTDA方法よりも大きなマージン（すべてのドメインシフトの平均で最大で17.10％および4.76％）で明らかな利点を示しました。

要約(オリジナル)

Unsupervised domain adaptation (UDA) addresses the problem of distribution shift between the unlabelled target domain and labelled source domain. While the single target domain adaptation (STDA) is well studied in the literature for both 2D and 3D vision tasks, multi-target domain adaptation (MTDA) is barely explored for 3D data despite its wide real-world applications such as autonomous driving systems for various geographical and climatic conditions. We establish an MTDA baseline for 3D point cloud data by proposing to mix the feature representations from all domains together to achieve better domain adaptation performance by an ensemble average, which we call Mixup Ensemble Average or MEnsA. With the mixed representation, we use a domain classifier to improve at distinguishing the feature representations of source domain from those of target domains in a shared latent space. In empirical validations on the challenging PointDA-10 dataset, we showcase a clear benefit of our simple method over previous unsupervised STDA and MTDA methods by large margins (up to 17.10% and 4.76% on averaged over all domain shifts).

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI