Train Till You Drop: Auf stabil und robustes source-free unüberwachtes 3D-Domain-Adaptation zusteuern

Wir befassen uns mit dem anspruchsvollen Problem der quellenfreien unüberwachten Domänenanpassung (SFUDA) für die 3D-Semantische Segmentierung. Dies bedeutet, eine Domänenanpassung in einem nicht gekennzeichneten Zielbereich durchzuführen, ohne auf Quelldaten zugreifen zu können; die verfügbare Information ist ein Modell, das für gute Ergebnisse im Quellbereich trainiert wurde. Ein häufiges Problem bei bestehenden SFUDA-Ansätzen besteht darin, dass die Leistung nach einer gewissen Trainingszeit abnimmt, was ein Nebeneffekt eines unterbestimmten und schlecht gestellten Problems ist. Wir diskutieren zwei Strategien, um dieses Problem zu mildern. Erstens schlagen wir einen sinnvollen Ansatz zur Regularisierung des Lernproblems vor. Zweitens führen wir ein neues Kriterium ein, das auf der Übereinstimmung mit einem Referenzmodell basiert. Dieses Kriterium wird (1) verwendet, um das Training zum geeigneten Zeitpunkt zu beenden und (2) als Validierer, um Hyperparameter ohne Kenntnisse des Zielbereichs auszuwählen. Unsere Beiträge sind einfach umzusetzen und lassen sich leicht auf alle SFUDA-Methoden anwenden, wodurch sie über allen Baselines stabile Verbesserungen garantieren. Wir validieren unsere Ergebnisse in verschiedenen 3D-LiDAR-Einstellungen und erreichen dabei den Stand der Technik. Das Projektrepository (mit Code) befindet sich unter: github.com/valeoai/TTYD.