SF-UDA3D: Source-Free Unsupervised Domain Adaptation for LiDAR-Based 3D Object Detection

论文链接：https://arxiv.org/abs/2010.08243

据作者称，SF-UDA3D 是第一个无源无监督域自适应（SF-UDA）的3D目标检测框架，其利用了伪标注和PointR-CNN，表现SOTA！作者单位：特伦托大学, 巴黎电信, 罗马大学

仅基于LiDAR点云的3D目标检测器具有现代街景基准上的最新技术。但是，由于域偏移，基于LiDAR的检测器很难在整个域中泛化。实际上，在LiDAR的情况下，域偏移不仅是由于环境和对象外观的变化（如来自RGB相机的视觉数据）引起的，而且还与点云的几何形状（例如，点密度）有关变化）。本文提出了SF-UDA3D，这是第一个无源无监督域自适应（SF-UDA）框架，用于使最新的PointRCNN 3D检测器适应于没有注释（无监督），也没有注释的域我们保留源域的图片或注释（无源）。 SF-UDA3D在这两个方面都是新颖的。我们的方法基于伪注释，可逆比例转换和运动一致性。 SF-UDA3D优于基于特征对齐和最先进的3D目标检测方法的先前域自适应技术，这些方法另外还使用了few-shot的目标注释或目标注释统计信息。通过在两个大型数据集（即KITTI和nuScenes）上进行的广泛实验证明了这一点。

内容中包含的图片若涉及版权问题，请及时与我们联系删除