Test-time adaptation for geospatial point cloud semantic segmentation with distinct domain shifts

领域自适应（DA）技术有助于点云语义分割（PCSS）的深度学习模型在数据转移时进行泛化。测试时自适应（TTA）允许在推理阶段直接适应预训练模型到未标记的数据，无需访问源数据或进行额外的训练，避免了隐私问题和大量的计算资源。我们通过引入三种领域转移范式：摄影测量到航空LiDAR、航空到移动LiDAR和合成到移动激光扫描，来解决地理空间PCSS的TTA问题。我们提出了一种TTA方法，通过逐步更新每个测试批次的批归一化（BN）统计信息。此外，自监督学习模块优化可学习的BN仿射参数。信息最大化和可靠性约束的伪标签提高了预测置信度并提供了监督信号。实验结果表明，我们的方法将分类精度提高了高达20\%的mIoU，优于其他方法。对于摄影测量（SensatUrban）到航空（Hessigheim 3D）推理时的自适应，我们的方法在无需重新训练或微调的情况下实现了59.46\%的mIoU和85.97\%的OA。

本论文旨在解决点云语义分割中的领域自适应问题，提出了一种测试时自适应方法，以适应地球空间数据的不同领域转移。

论文提出了一种逐步更新批量归一化（BN）统计量的TTA方法，并引入了自监督学习模块来优化可学习的BN仿射参数。此外，信息最大化和可靠性约束的伪标签提高了预测置信度和提供监督信号。

实验结果表明，该方法在不需要重新训练或微调的情况下，将分类精度提高了高达20％mIoU。对于从摄影测量（SensatUrban）到空中（Hessigheim 3D）的领域自适应，在推理阶段，该方法实现了59.46％mIoU和85.97％OA。

最近的相关研究包括“Domain Adaptation for Semantic Segmentation with Maximum Squares Loss”和“Unsupervised Domain Adaptation for Semantic Segmentation via Class-Balanced Self-Training”。