In this work, we propose a new two-view domain adaptation network named Deep-Shallow Domain Adaptation Network (DSDAN) for 3D point cloud recognition. Different from the traditional 2D image recognition task, the valuable texture information is often absent in point cloud data, making point cloud recognition a challenging task, especially in the cross-dataset scenario where the training and testing data exhibit a considerable distribution mismatch. In our DSDAN method, we tackle the challenging cross-dataset 3D point cloud recognition task from two aspects. On one hand, we propose a two-view learning framework, such that we can effectively leverage multiple feature representations to improve the recognition performance. To this end, we propose a simple and efficient Bag-of-Points feature method, as a complementary view to the deep representation. Moreover, we also propose a cross view consistency loss to boost the two-view learning framework. On the other hand, we further propose a two-level adaptation strategy to effectively address the domain distribution mismatch issue. Specifically, we apply a feature-level distribution alignment module for each view, and also propose an instance-level adaptation approach to select highly confident pseudo-labeled target samples for adapting the model to the target domain, based on which a co-training scheme is used to integrate the learning and adaptation process on the two views. Extensive experiments on the benchmark dataset show that our newly proposed DSDAN method outperforms the existing state-of-the-art methods for the cross-dataset point cloud recognition task.

中文翻译：

---

使用深浅域适应网络的跨数据集点云识别

在这项工作中，我们提出了一种新的两视图域自适应网络，称为深浅域自适应网络（DSDAN），用于 3D 点云识别。与传统的二维图像识别任务不同，点云数据中往往缺少有价值的纹理信息，使得点云识别成为一项具有挑战性的任务，尤其是在训练和测试数据表现出相当大的分布不匹配的跨数据集场景中。在我们的 DSDAN 方法中，我们从两个方面解决了具有挑战性的跨数据集 3D 点云识别任务。一方面，我们提出了一个双视图学习框架，这样我们就可以有效地利用多个特征表示来提高识别性能。为此，我们提出了一种简单有效的 Bag-of-Points 特征方法，作为深度表示的补充视图。此外，我们还提出了跨视图一致性损失来提升双视图学习框架。另一方面，我们进一步提出了一种两级适应策略来有效解决域分布不匹配问题。具体来说，我们为每个视图应用了一个特征级分布对齐模块，并提出了一种实例级自适应方法来选择高置信度的伪标记目标样本来使模型适应目标域，在此基础上提出一个协同训练方案用于在两种视图上整合学习和适应过程。在基准数据集上的大量实验表明，我们新提出的 DSDAN 方法优于现有的跨数据集点云识别任务的最新方法。我们还提出了一个交叉视图一致性损失来提升双视图学习框架。另一方面，我们进一步提出了一种两级适应策略来有效解决域分布不匹配问题。具体来说，我们为每个视图应用了一个特征级分布对齐模块，并提出了一种实例级自适应方法来选择高置信度的伪标记目标样本来使模型适应目标域，在此基础上提出一个协同训练方案用于在两种视图上整合学习和适应过程。在基准数据集上的大量实验表明，我们新提出的 DSDAN 方法优于现有的跨数据集点云识别任务的最新方法。我们还提出了一个交叉视图一致性损失来提升双视图学习框架。另一方面，我们进一步提出了一种两级适应策略来有效解决域分布不匹配问题。具体来说，我们为每个视图应用了一个特征级分布对齐模块，并提出了一种实例级自适应方法来选择高置信度的伪标记目标样本来使模型适应目标域，在此基础上提出一个协同训练方案用于在两种视图上集成学习和适应过程。在基准数据集上的大量实验表明，我们新提出的 DSDAN 方法优于现有的跨数据集点云识别任务的最新方法。我们进一步提出了一种两级适应策略来有效解决域分布不匹配问题。具体来说，我们为每个视图应用了一个特征级分布对齐模块，并提出了一种实例级自适应方法来选择高置信度的伪标记目标样本来使模型适应目标域，在此基础上提出一个协同训练方案用于在两种视图上整合学习和适应过程。在基准数据集上的大量实验表明，我们新提出的 DSDAN 方法优于现有的跨数据集点云识别任务的最新方法。我们进一步提出了一种两级适应策略来有效解决域分布不匹配问题。具体来说，我们为每个视图应用了一个特征级分布对齐模块，并提出了一种实例级自适应方法来选择高置信度的伪标记目标样本来使模型适应目标域，在此基础上提出一个协同训练方案用于在两种视图上整合学习和适应过程。在基准数据集上的大量实验表明，我们新提出的 DSDAN 方法优于现有的跨数据集点云识别任务的最新方法。并且还提出了一种实例级自适应方法来选择高度置信的伪标记目标样本，使模型适应目标域，在此基础上使用协同训练方案将学习和适应过程集成到两个视图上。在基准数据集上的大量实验表明，我们新提出的 DSDAN 方法优于现有的跨数据集点云识别任务的最新方法。并且还提出了一种实例级自适应方法来选择高度置信的伪标记目标样本，使模型适应目标域，在此基础上使用协同训练方案将学习和适应过程集成到两个视图上。在基准数据集上的大量实验表明，我们新提出的 DSDAN 方法优于现有的跨数据集点云识别任务的最新方法。