CMDA：基于 LiDAR 的三维物体检测的跨模态和领域对抗适应
原文中文，约1500字，阅读约需4分钟。
📝
内容提要
本文介绍了多种无监督领域自适应方法，旨在解决不同领域间的偏移问题，包括“SSDA3D”方法、数据导向领域适应框架和跨模态学习。这些方法在3D语义分割和激光雷达数据处理上取得了显著效果，减少了对标注数据的依赖，提升了模型性能。
❓
Q&A
什么是SSDA3D方法，它解决了什么问题？
SSDA3D是一种半监督领域自适应方法，旨在解决不同LiDAR配置、城市和天气等领域间的偏移问题，且在仅有10%目标数据标注的情况下超越了完全监督模型。
DODA框架的主要功能是什么？
DODA框架通过虚拟扫描模拟和基于长方体的混合，减轻不同领域之间的模式和上下文差异，在3D室内语义分割中表现优于其他7种UDA方法。
跨模态无监督领域自适应的目的是什么？
跨模态无监督领域自适应旨在利用二维和三维数据的互补性，克服新领域中缺乏注解的问题。
CMDA框架如何实现夜间语义分割？
CMDA框架利用多模态信息，仅使用白天图像上的标签，通过设计图像动作提取器和内容提取器来弥合不同模态和领域之间的差距。
xMUDA方法的应用场景是什么？
xMUDA方法用于解决多模态数据下的无监督域适应问题，并通过自动驾驶数据集验证了其有效性。
ConDA方法如何减少噪音伪标签的影响？
ConDA方法通过构建源域和目标域的中间领域，并采用熵聚合器和抗锯齿正则化方法，有效减少了噪音伪标签对模型训练的负面影响。
🏷️
