CTS: Sim-to-Real Unsupervised Domain Adaptation on 3D Detection

本文介绍了一种新的复杂到简单（CTS）框架，用于将标记的模拟（源）域中的模型转移到未标记的现实（目标）域中，从而提高数据驱动算法（包括目标检测）的性能。然而，由于从模拟到现实（模拟到真实）存在各种领域不一致性，跨领域目标检测算法通常会出现显著的性能下降。虽然已经开发了许多无监督领域适应（UDA）方法来解决真实世界数据集之间的跨领域任务，但模拟到真实的进展仍然有限。本文提出了一种新的CTS框架，基于两阶段检测器，其创新之处有三：1）开发固定大小的锚头和RoI增强，以解决两个域之间的大小偏差和特征多样性，从而提高伪标签的质量；2）开发用于边界框的不确定性的新型角格式表示（AU），以统一量化伪标签的质量；3）基于AU开发了一种噪声感知的平均教师域适应方法，以及对象级和帧级采样策略，以迁移噪声标签的影响。实验结果表明，我们提出的方法显著增强了3D目标检测模型的模拟到真实领域适应能力，优于通常针对真实到真实UDA任务开发的最先进的跨领域算法。

本文旨在解决模拟数据和现实数据之间的领域不一致性问题，提出了一种新的复杂到简单（CTS）框架，用于将标记的模拟数据迁移到未标记的现实数据领域。

该论文的关键思路是通过使用固定大小的锚头和RoI增强来解决两个领域之间的大小偏差和特征多样性问题，提高伪标签的质量；使用角格式表示bounding box的aleatoric不确定性（AU），以统一量化伪标签的质量；开发基于AU的噪声感知均值教师域自适应方法，以及对象级和帧级采样策略，以迁移噪声标签的影响。

该论文的亮点包括：1）提出了一种新的框架来解决模拟数据和现实数据之间的领域不一致性问题；2）使用角格式表示bounding box的aleatoric不确定性（AU），以统一量化伪标签的质量；3）开发了基于AU的噪声感知均值教师域自适应方法，以及对象级和帧级采样策略，以迁移噪声标签的影响。

最近在这个领域中，还有一些相关的研究，例如：“Unsupervised Domain Adaptation for 3D Object Detection Based on Multi-Source Domain Generation”和“Domain Adaptive Faster R-CNN for Object Detection in the Wild”等。