Curvature Diversity-Driven Deformation and Domain Alignment for Point Cloud

要約

教師なし領域適応（UDA）は、点群データでディープネットワークを学習する際に、手作業による膨大なデータアノテーションの必要性を減らすために極めて重要である。UDAの重要な課題は、ドメインのギャップを効果的に埋めることにあります。この課題に取り組むために、我々は⾵⾵ノルムのワッサーシュタイン(Wasserstein)領域アライメント(CDND)を提案します。このタスクは、モデルが与えられた点群の意味的に豊かな領域から顕著な特徴を抽出できるようにすることで、ソースドメインとターゲットドメインの間のギャップを効果的に緩和する。このタスクは、与えられた点群から意味的に豊かな領域から顕著な特徴を抽出できるようにすることで、ソースドメインとターゲットドメインの間のギャップを効果的に緩和する。さらに、分布整列におけるD-NWDの有効性を理論的に正当化し、D-NWDが変形にも適用できることを実証します。本手法を検証するために、点群分類とセグメンテーションタスクのための2つのパブリックドメイン適応データセットに対して広範な実験を行う。実証実験の結果、我々のCDNDは既存のアプローチに対して顕著なマージンをもって最先端の性能を達成することが示された。

要約(オリジナル)

Unsupervised Domain Adaptation (UDA) is crucial for reducing the need for extensive manual data annotation when training deep networks on point cloud data. A significant challenge of UDA lies in effectively bridging the domain gap. To tackle this challenge, we propose \textbf{C}urvature \textbf{D}iversity-Driven \textbf{N}uclear-Norm Wasserstein \textbf{D}omain Alignment (CDND). Our approach first introduces a \textit{\textbf{Curv}ature Diversity-driven Deformation \textbf{Rec}onstruction (CurvRec)} task, which effectively mitigates the gap between the source and target domains by enabling the model to extract salient features from semantically rich regions of a given point cloud. We then propose \textit{\textbf{D}eformation-based \textbf{N}uclear-norm \textbf{W}asserstein \textbf{D}iscrepancy (D-NWD)}, which applies the Nuclear-norm Wasserstein Discrepancy to both \textit{deformed and original} data samples to align the source and target domains. Furthermore, we contribute a theoretical justification for the effectiveness of D-NWD in distribution alignment and demonstrate that it is \textit{generic} enough to be applied to \textbf{any} deformations. To validate our method, we conduct extensive experiments on two public domain adaptation datasets for point cloud classification and segmentation tasks. Empirical experiment results show that our CDND achieves state-of-the-art performance by a noticeable margin over existing approaches.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL