Train Till You Drop: Towards Stable and Robust Source-free Unsupervised 3D Domain Adaptation

要約

私たちは、3D 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の教師なしドメイン アダプテーション (SFUDA) という困難な問題に取り組みます。
これは、ソース データにアクセスせずに、ラベルのないターゲット ドメインでドメイン アダプテーションを実行することになります。
利用可能な情報は、ソース ドメインで良好なパフォーマンスを達成するようにトレーニングされたモデルです。
既存の SFUDA アプローチに共通する問題は、ある程度のトレーニング時間の後にパフォーマンスが低下することです。これは、制約が不十分で設定が不適切な問題の副産物です。
この問題を軽減するための 2 つの戦略について説明します。
まず、学習問題を正規化する賢明な方法を提案します。
第二に、参照モデルとの一致に基づいた新しい基準を導入します。
これは、(1) 適切な場合にトレーニングを停止するために、(2) ターゲット ドメインに関する知識がなくてもハイパーパラメータを選択するためのバリデータとして使用されます。
私たちの貢献は実装が簡単で、すべての SFUDA メソッドにすぐに適用できるため、すべてのベースラインにわたって安定した改善を保証します。
さまざまな 3D LIDAR 設定に関する調査結果を検証し、最先端のパフォーマンスを実現します。
プロジェクト リポジトリ (コード付き) は、github.com/valeoai/TTYD です。

要約(オリジナル)

We tackle the challenging problem of source-free unsupervised domain adaptation (SFUDA) for 3D semantic segmentation. It amounts to performing domain adaptation on an unlabeled target domain without any access to source data; the available information is a model trained to achieve good performance on the source domain. A common issue with existing SFUDA approaches is that performance degrades after some training time, which is a by product of an under-constrained and ill-posed problem. We discuss two strategies to alleviate this issue. First, we propose a sensible way to regularize the learning problem. Second, we introduce a novel criterion based on agreement with a reference model. It is used (1) to stop the training when appropriate and (2) as validator to select hyperparameters without any knowledge on the target domain. Our contributions are easy to implement and readily amenable for all SFUDA methods, ensuring stable improvements over all baselines. We validate our findings on various 3D lidar settings, achieving state-of-the-art performance. The project repository (with code) is: github.com/valeoai/TTYD.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google