【技术实现步骤摘要】
本专利技术涉及计算机点云分析和特征学习，特别是涉及一种面向点云场景分割的无参几何引导的测试时间适应方法。
技术介绍
1、随着深度学习的发展，使用神经网络进行点云识别越来越受到研究者的重视。虽然点云数据是无序无规则的，但得益于pointnet++提出使用ball query或者knn构建局部邻域，并使用对称的聚合函数提取局部特征，许多基于pointnet++的神经网络在多个点云识别任务如物体分类，场景分割，目标检测上均获得较高的性能。然而，这些方法通常要求实际应用或者测试的数据分布与训练的数据分布接近一致，否则将会导致性能大幅度下降，这被称为域偏移问题，其中训练数据被称为源域，而测试数据称为目标域，但这在实际应用中是难以保证源域和目标域是一致的。
2、为了解决这类域偏移问题，测试时间适应是一个实用的解决方案，其主要是针对已训练好的源域模型，在无标签的目标域上进行微调使得模型从源域迁移至目标域，提高性能。以前的方法主要通过引入简单的熵最小化损失以及伪标签来微调模型，然而这些方法通常在简单的图像分类任务上表现良好，当迁移到面向点云...
【技术保护点】
1.一种面向点云场景分割的无参几何引导的测试时间适应方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，分别将所述点云数据输入至训练好的深度视觉模型和无参几何模型以对应提取源域特征和几何特征，包括：
3.根据权利要求1所述的方法，其特征在于，基于特征蒸馏损失计算确定每个点的类别预测结果，包括：
4.根据权利要求3所述的方法，其特征在于，根据基于所述源域特征和所述几何特征的软投票策略修正伪标签，包括：
5.根据权利要求4所述的方法，其特征在于，所述方法，还包括：
6.一种面向点云场景分割的无参几...
【技术特征摘要】
1.一种面向点云场景分割的无参几何引导的测试时间适应方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，分别将所述点云数据输入至训练好的深度视觉模型和无参几何模型以对应提取源域特征和几何特征，包括：
3.根据权利要求1所述的方法，其特征在于，基于特征蒸馏损失计算确定每个点的类别预测结果，包括：
4.根据权利要求3所述的方法，其特征在于，根据基于所述源域特征和所述几何特征的软投票策略修正伪标签，包括：
5.根据权利要求4所述的方法，其特征在于...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。