Overlap-Aware Feature Learning for Robust Unsupervised Domain Adaptation for 3D Semantic Segmentation

要約

3Dポイントクラウドセマンティックセグメンテーション（PCSS）は、ロボットシステムと自律運転における環境認識の基礎であり、ポイントごとの分類を通じて正確なシーンの理解を可能にします。
監視されていないドメイン適応（UDA）は、PCSのラベル不足を軽減しますが、既存の方法は、実際の摂動（雪、霧、雨など）および敵対的な歪みに対する固有の脆弱性を非常に見落としています。
この作業は、最初に現在のPCSS-UDAの堅牢性を損なう2つの内因性の制限を特定します。（a）共有クラスの領域の整理されていない境界から重複していない特徴と、（b）ターゲット固有のパターンを抑制するドメイン不変の学習によって引き起こされる特徴構造侵食。
提案された問題に対処するために、次のことを提案します。1）堅牢性メトリックを通じて敵対的攻撃/腐敗タイプに対する回復力を定量化する堅牢性評価モデル。
2）注意誘導のオーバーラップ抑制を介して識別構造を維持しながら、双方向ドメインマッピングを可能にする反転性注意アラインメントモジュール（IAAM）。
3）より識別的な表現のために機能品質を備えた擬似ラベルを徐々に改良する品質を意識したコントラスト学習を備えた対照的なメモリバンク。
SynlidarからSemanticPossの適応に関する広範な実験は、敵対攻撃下での14.3％の最大MIOU改善を示しています。

要約(オリジナル)

3D point cloud semantic segmentation (PCSS) is a cornerstone for environmental perception in robotic systems and autonomous driving, enabling precise scene understanding through point-wise classification. While unsupervised domain adaptation (UDA) mitigates label scarcity in PCSS, existing methods critically overlook the inherent vulnerability to real-world perturbations (e.g., snow, fog, rain) and adversarial distortions. This work first identifies two intrinsic limitations that undermine current PCSS-UDA robustness: (a) unsupervised features overlap from unaligned boundaries in shared-class regions and (b) feature structure erosion caused by domain-invariant learning that suppresses target-specific patterns. To address the proposed problems, we propose a tripartite framework consisting of: 1) a robustness evaluation model quantifying resilience against adversarial attack/corruption types through robustness metrics; 2) an invertible attention alignment module (IAAM) enabling bidirectional domain mapping while preserving discriminative structure via attention-guided overlap suppression; and 3) a contrastive memory bank with quality-aware contrastive learning that progressively refines pseudo-labels with feature quality for more discriminative representations. Extensive experiments on SynLiDAR-to-SemanticPOSS adaptation demonstrate a maximum mIoU improvement of 14.3\% under adversarial attack.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google