UADA3D: Adaptación de Dominio Adversarial No Supervisada para Detección de Objetos 3D con LiDAR Escaso y Grandes Brechas de Dominio

En este estudio, abordamos una brecha en los enfoques existentes de adaptación de dominio no supervisada en la detección de objetos 3D basada en LiDAR, que se han concentrado predominantemente en adaptar entre conjuntos de datos de conducción autónoma establecidos y de alta densidad. Nos centramos en nubes de puntos más dispersas, capturando escenarios desde diferentes perspectivas: no solo desde vehículos en la carretera, sino también desde robots móviles en aceras, que encuentran condiciones ambientales y configuraciones de sensores significativamente diferentes. Introducimos la Adaptación de Dominio Adversarial No Supervisada para Detección de Objetos 3D (UADA3D). UADA3D no depende de modelos fuente preentrenados ni de arquitecturas de maestro-alumno. En su lugar, utiliza un enfoque adversarial para aprender directamente características invariables al dominio. Demostramos su eficacia en varios escenarios de adaptación, mostrando mejoras significativas tanto en el dominio de coches autónomos como en el de robots móviles. Nuestro código es de código abierto y estará disponible pronto.