【论文推荐】了解《领域自适应点云处理》必看的6篇论文【附打包下载地址】...

最新推荐文章于 2023-10-09 16:47:56 发布
最新推荐文章于 2023-10-09 16:47:56 发布
阅读量384 收藏
点赞数
文章标签： 人工智能 深度学习 计算机视觉 机器学习 编程语言
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_48294000/article/details/116906239
版权

论文推荐

“SFFAI107期来自香港大学的杨霁晗推荐的文章主要关注于计算机视觉的点云处理领域，你可以认真阅读讲者推荐的论文，来与讲者及同行线上交流哦。”

关注文章公众号

回复"SFFAI107"获取本主题精选论文

01

推荐理由：非常经典的无监督领域自适应的论文，主要是基于领域之间对齐方法给出的一个范式。

02

推荐理由：基于优化HΔH距离设计的一个全新训练范式，有更低的理论上界，而且可以摆脱对抗学习的不稳定及难训练问题。

03

推荐理由：ICCV best paper nomination，通过实验揭示了领域自适应中性能和L2范数之间的一些联系。

04

推荐理由：一种新的半监督和迁移学习的训练方式，主要是能够通过设计子任务来提高对于错误伪标签的容忍性。

05

推荐理由：一种离线的3D目标检测的自动标注方式，性能已经和人工标注相近。

06

推荐理由：一种根据下游任务和数据选择预训练模型的方法。

会议内容

会议简介

3D目标检测是对3D传感器数据中的对象进行分类和定位，这项技术在自动驾驶、机器人技术、虚拟现实等诸多领域中有着重要应用。在深度神经网络和大规模的标注数据集的推动下，近期该领域取得了显著进步。但由于不同类型的3D传感器、不同的天气条件和不同的地理位置都会导致域偏移，在一个特定域上开发的3D检测器可能无法很好地推广到新的测试域。尽管从不同的域收集更多的训练数据可以缓解此问题，但需要消耗巨大成本。本期我们邀请到来自香港大学的杨霁晗同学，分享他在3D点云目标检测无监督领域自适应任务上的研究，为此问题的解决提供新的思路。

讲者介绍

杨霁晗，香港大学一年级博士，主要研究方向为少样本学习，迁移学习。

会议题目

ST3D:一种基于自学习的3D目标检测无监督领域自适应方法

会议摘要

我们在3D点云目标检测无监督领域自适应任务上提出了一种新的领域自适应的自学习方法，叫做ST3D。首先，我们在源领域预训练一个检测器，并同时使用随机物体放缩作为数据增强来消除源领域带来的一些负面的领域偏差。然后，我们通过使检测器借助三元记忆仓库生成高质量的伪标签并利用高质量的伪标签结合渐进数据增强来得到更好的检测器进行迭代。这些专门的设计使我们的3D检测器能够在高质量和一致的伪标签上训练，并避免过拟合到大量的简单样本上。ST3D在多个取得了很好的性能，代码已经开源。

论文标题：ST3D: Self-training for Unsupervised Domain Adaptation on 3D Object Detection

论文下载：关注本公众号，对话框回复“SFFAI107”，获取下载

会议亮点

1、指出了3D目标检测无监督领域自适应的困难，以及利用自学习解决这个任务的一些挑战；

2、根据这些挑战重新设计了自学习的多个模块，使其适用于这个任务；

3、在多个迁移任务上取得了较大提升(16%~75%)。

直播时间

2021年5月23日（周日）20:00—21:00 线上直播

关注本公众号，对话框回复“SFFAI107”，获取入群二维码

注：直播地址会分享在交流群内

SFFAI招募！

现代科学技术高度社会化，在科学理论与技术方法上更加趋向综合与统一，为了满足人工智能不同领域研究者相互交流、彼此启发的需求，我们发起了SFFAI这个公益活动。SFFAI每周举行一期线下活动，邀请一线科研人员分享、讨论人工智能各个领域的前沿思想和最新成果，使专注于各个细分领域的研究者开拓视野、触类旁通。

SFFAI目前主要关注机器学习、计算机视觉、自然语言处理等各个人工智能垂直领域及交叉领域的前沿进展，将对线下讨论的内容进行线上传播，使后来者少踩坑，也为讲者塑造个人影响力。SFFAI还在构建人工智能领域的知识森林—AI Knowledge Forest，通过汇总各位参与者贡献的领域知识，沉淀线下分享的前沿精华，使AI Knowledge Tree枝繁叶茂，为人工智能社区做出贡献，欢迎大家关注SFFAI论坛：https://bbs.sffai.com。

论文推荐

更多论文推荐历史文章

请点击文章底部“阅读原文”查看

分享、点赞、在看，给个三连击呗！

人工智能前沿讲习
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
点云从入门到精通技术详解100篇-自适应点云局部邻域特征的特征提取与配准
getusushu的博客
09-06 253
要，怎样快速高效的构建三维立体、分析目标的结构框架来实现世界立体信息化已成为了。的逐点扫描、线扫描到如今的面扫描，其所获取的三维点云数据作为一种数据格式，能够。全面地记录物体的空间坐标、几何特征、三维结构等信息，是二维平面数据所不具备的优。导致在获取目标物三维信息时会夹杂着大量的噪声，从而大大提高了目标场景的分割和。近年来，伴随计算机视觉和三维重建技术的快速发展，三维激光雷达扫描技术从早期。所观察到的世界，研究者们通过逆向建模来重建世界的三维信息。但是，对于高质量目标提取与三维场景的重建，
【迁移学习】Self-Supervised Learning for Domain Adaptation on Point Clouds
毛毛的博客
10-27 1191
摘要 我们描述了点云上用于域自适应(DA)的自监督学习(SSL)的第一个研究。我们引入了一类新的伪装任务，形变重建，其灵感来自于sim-to-real 变换中遇到的形变。此外，我们还提出了一种基于混合方法的标签点云数据训练方法，称为点云混合(PCM)。对用于分类和分割的域适应数据集的评估表明，与现有方法和基线方法相比，该方法有了很大的改进。 1.介绍 自监督学习(SSL)最近被证明对于从未标记的图像或视频中学习有用的表征非常有效。关键思想是定义一个辅助的“借口”任务，使用有监督的技术进行训练，然后将学习到的
CVPR2021:ST3D——Self-training for Unsupervised Domain Adaptation on 3D Object Detection详解
ylwhxht的博客
10-04 1458
CVPR2021:ST3D——Self-training for Unsupervised Domain Adaptation on 3D Object Detection详解
bezier曲面图形学c_一种三维点云自适应隐式曲面重构方法
weixin_36121198的博客
12-30 980
近年，在逆向工程、地质地形建模、智慧城市、生物医学等领域，点云的曲面重构技术得到了大量研究和广泛应用[1]。点云曲面重构的本质是实现数据点模型到曲面模型的转变。隐式曲面重构因能够较好地重建出形状复杂的点云模型的表面，使得许多学者进行了大量研究。文献[2]提出的径向基函数曲面重构方法重构的曲面细节特征较好，但在重构数据量大的点云时，将迅速增大计算量，且降低曲面重构效果，也存在重构曲面不够光滑的问题。...
CosMix环境配置 点云域自适应语义分割方法环境配置
Stone_hello的博客
09-07 1263
【代码】CosMix环境配置 点云域自适应语义分割方法环境配置。
论文研究-基于迁移学习的领域自适应推荐方法研究.pdf
09-06
因此，提出一种领域自适应的方法，以应用于跨领域推荐。具体包括：利用GFK特征映射后，以增加共享信息的一致性和减少潜在信息的缺失；采用联合用户侧重和项目侧重多元迁移模式来预测缺失评分的目标域矩阵，以提升...
深度学习多源领域自适应综述论文.pdf
02-28
在许多实际应用中，获取足够的大规模标记数据以充分训练深度神经网络通常是困难和昂贵的。因此，将学习到的知识从一个单独的、标记过的源域转移到一个未标记或标记稀疏的目标域成为一种有吸引力的选择。
论文研究-基于色彩信息的自适应进化点云拼接算法.pdf
07-22
针对现有进化点云拼接算法未使用点云色彩信息的局限性，提出一种基于色彩信息的自适应进化点云拼接算法。使用随机采样与色彩特征点相结合的方式对输入点云进行采样，通过最小化包含色彩约束的点对距离中值建立目标...
论文研究-利用自适应模糊椭球聚类实现点云分区.pdf
09-07
采用自适应模糊椭球聚类算法实现逆向工程中的点云分区，利用凸组合在经典模糊聚类算法中加入平面聚类，凸组合系数利用启发技术根据平面大小自适应选择。避免传统分区算法中微分几何特征量的估算；利用竞争凝聚技术...
一种多尺度自适应点云坡度滤波算法.docx
11-29
"一种多尺度自适应点云坡度滤波算法" 本文提出了一种多尺度自适应点云坡度滤波算法，旨在解决传统坡度滤波算法的局限性。该算法结合了多尺度虚拟网格技术和k均值聚类算法，实现了自适应的坡度阈值确定和多尺度点云...
DefRec_and_PCM：点云上域自适应的自我监督学习
02-12
在点云上进行域自适应的自我监督学习 介绍 自我监督学习（SSL）可以从未标记的数据中学习有用的表示形式，并已有效地应用于图像的域自适应（DA）。 尚不知道是否以及如何利用它来进行3D感知领域的适应。 在这里，我们描述了对点云上的DA的SSL的首次研究。 我们引入了一个新的借口任务系列，即“变形重构”，该变形任务是由模拟到真实转换中遇到的变形所激发的。 关键思想是使输入形状的区域变形并使用神经网络对其进行重构。 我们设计了三种类型的形状变形方法：（1）基于体积：基于输入空间中的接近度的形状变形； （2）基于特征的：使形状上形状相似的区域变形； （3）基于采样：基于三个简单采样方案的形状变形。 作为单独的贡献，我们还针对点云开发了一种基于混合训练过程的新方法。 对综合和真实家具数据的六个领域适应性进行的评估表明，与以前的工作相比有很大的改进。 使用说明 克隆仓库并安装 git clone ht
【迁移学习】A Learnable Self-supervised Task for Unsupervised Domain Adaptation on Point Clouds
毛毛的博客
10-25 1389
摘要 在点云领域，有监督的方法需要大量人工标注，这非常昂贵且耗时，因此催生了无监督域自适应（UDA）。UDA在源域使用标记数据训练模型，同时使模型在目标域上具有良好的泛化能力。现有研究表明，使用源域和目标域数据的自监督学习有助于提高训练模型的适应性，但它们都依赖于手工设计的自监督任务。在本文中，我们提出了一个可学习的自监督任务，并将其集成到基于自监督的点云UDA体系结构中。具体地说，我们提出了一种可学习的非线性变换，该变换在保留原始语义信息的情况下，对点云的一部分进行变换以生成丰富而复杂的点云，并且所提出的
域自适应系列1——什么是域自适应？CVPR 经典，一文了解！
最新发布
m0_56676118的博客
10-09 894
大多数自动驾驶数据集都是在一个国家内一小部分城市内收集的，通常也是在相似的天气条件下收集的。本文考虑的是让 3D 目标检测器从一个数据集（域）适应到另一个数据集（域）。本文观察并得到的结论是：需要克服的主要适应障碍是不同地理区域的汽车尺寸差异。基于平均汽车尺寸的简单修正就可以对适应差距进行有力的修正。
3DTrans: 首个支持自动驾驶室外点云迁移学习的代码库
OpenDataLab的博客
03-23 294
UDAADASSDAMDF● 入口链接● 3DTrans代码库UDA基线算法的构建目前现有的一些3D点云代码库的可视化模块都是单帧可视化，缺乏针对时序数据的处理。为此，我们在3DTrans代码库中增加了Sequence-level时序级别的可视化UI工具，可视化效果非常直观。目前主要支持对Waymo，ONCE和nuScenes数据集的时序检测结果的可视化。用户可以给定的一个序列ID，来产生对应的可视化内容。Uni3D是我们针对MDF任务设定，提出的一个通用的解决方案。
大场景3D点云领域自适应论文
Tony2wang的博客
08-17 581
3D点云跨模态学习-域自适应DA论文
ST3D++: Denoised Self-training for Unsupervised Domain Adaptation on 3D Object Detection
ylwhxht的博客
10-06 980
ST3D++: Denoised Self-training for Unsupervised Domain Adaptation on 3D Object Detection
ST3D(未完待续)
KeepSilent的博客
03-07 557
三维物体检测中弱监督领域自适应的自训练由于不同类型的3D传感器、天气条件和地理位置等导致的不可避免的，在一个特定领域（即源领域）开发的3D检测器可能无法很好地推广到新的测试领域（即目标领域）。因此，在实际应用中，有效地适应在上训练的3D检测器到一个新的是非常需要的方法。
详解3D物体检测模型 SPG: Unsupervised Domain Adaptation for 3D Object Detection via Semantic Point Generation
10点43的博客
08-31 2515
本文对基于激光雷达的无监督域自适应3D物体检测进行了研究，在Waymo Domain Adaptation dataset上，作者发现点云质量的恶化是3D物件检测器性能下降的主要原因。因此，作者提出了Semantic Point Generation (SPG)方法，首先在前景点区域生成语义点云数据，并且复原前景点物体缺失的部分。然后，将原始点云与生成的语义点云数据进行融合得到增强后的点云数据，再使用3D物体检测器进行检测。在Waymo 和 KITTI 数据集上，本体提出的SPG方法都大幅提高了3D物检检.
论文阅读:Adaptive Graph Convolution for Point Cloud analysis
sigmoidAndReLU的博客
12-09 4109
自适应图卷积用于点云分析 论文地址: https://arxiv.org/pdf/2108.08035. 代码地址: https://github.com/hrzhou2/AdaptConv-master. 作者：Zhou Haoran 单位：南京航空航天大学 作为初入图卷积网络的小白，我就根据自己的理解来读这篇文章。 摘要： 问题：从二维网格域推广出来的三维点云的卷积已被广泛研究，但远非完美。标准卷积表征了三维点之间的特征对应难以区分，呈现了特征特征学习差的内在局限性。 贡献： 1、自适应图卷积 Ada
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值