摘要

我们致力于解决三维语义分割中的无源无监督域适应（SFUDA）这一难题。该问题的核心是在没有访问源数据的情况下，对未标记的目标域进行域适应；可用的信息是一个在源域上训练且表现良好的模型。现有的SFUDA方法普遍存在的问题是，经过一段时间的训练后性能会下降，这是由于问题本身欠约束且病态所致。本文讨论了两种缓解这一问题的策略。首先，我们提出了一种合理的正则化方法来规范学习问题。其次，我们引入了一种基于与参考模型一致性的新准则。该准则用于（1）在适当的时候停止训练以及（2）作为验证器在无需了解目标域的情况下选择超参数。我们的贡献易于实现，并适用于所有SFUDA方法，确保在所有基线上都能获得稳定的改进。我们在多种三维激光雷达设置下验证了我们的研究结果，达到了当前最佳的性能水平。项目代码库地址为：github.com/valeoai/TTYD。