摘要
领域自适应（Domain Adaptation, DA）方法在机器学习与计算机视觉的众多任务中（如分类、检测和分割）取得了显著进展。然而，据我们所知，目前仍鲜有方法能够直接应用于三维点云数据的领域自适应。点云数据的独特挑战在于其蕴含丰富的空间几何信息，而物体的整体语义特征依赖于区域几何结构的综合表达。具体而言，大多数通用领域自适应方法在全局特征对齐方面存在困难，且忽视了局部几何信息，因而难以适用于三维领域的特征对齐任务。为此，本文提出一种面向点云数据的新型三维领域自适应网络——PointDAN。PointDAN在多层级上联合实现全局与局部特征的对齐。针对局部特征对齐，我们设计了自适应（Self-Adaptive, SA）节点模块，通过调整感受野以建模具有判别性的局部结构，从而实现跨域对齐。为进一步表征分层尺度的特征，我们引入节点注意力（node-attention）模块，用于加权不同对象与不同域之间SA节点之间的关联关系。在全局特征对齐方面，采用对抗训练策略，以学习并对齐跨域的全局特征表示。由于目前尚无针对三维点云领域自适应任务的通用评估基准，我们基于三个主流三维物体/场景数据集（ModelNet、ShapeNet 和 ScanNet）构建了一个通用基准数据集——PointDA-10，用于跨域三维物体分类任务的评估。在PointDA-10上的大量实验结果表明，所提出的PointDAN模型在性能上显著优于现有的先进通用领域自适应方法。