APCoTTA: 空中 LiDAR パラメータを継続的テスト時適応によるセマンティック分割の最適化

空中 LiDAR スキャン (ALS) のパラメータは、大型 3D シーンの理解のための基本的な課題です。現実的なシナリオに配備された固定されたモデルは、環境とセンサーの継続的な変化によって引き起こされるドメインシフトのために性能が低下することがあります。継続的なテスト時適応 (CTTA) は、進化の非ラベル付きドメインに適応することを可能にし、しかし、その応用はまだ未探索されており、ベンチマークの欠如と重大な忘却と誤りの蓄積のリスクによって妨げられています。これらの課題に対処するために、私たちは ALS パラメータのセマンティック分割のための CTTA として、APCoTTA (ALS パラメータ Continuous Test-Time Adaptation) を提案しました。APCoTTA は 3 つの主要なコンポーネントから構成されています。第一に、ALS パラメータに対して、信頼性の低いレイヤーを選択的に更新し、安定したものを凍結するグラデjent 駆動されたレイヤー選択メカニズムを適応させ、ソースの知識を保持し、重大な忘却を緩和します。第二に、エントロピーに基づいた一貫性損失は、信頼性の低いサンプルを棄却し、信頼性の高いサンプルのみで一貫性正規化を強制し、誤りの蓄積を効果的に減少させ、適応の安定性を向上させます。第三に、ランダムなパラメータの線形結合メカニズムは、適応されたパラメータとソースモデルのパラメータを確率的に混ぜ合わせ、ターゲット適応とソース知識の保持をさらにバランスさせます。最後に、ALS パラメータの分割のための CTTA ベンチマークの欠如に対処するために、ISPRSC と H3DC の 2 つのベンチマークを構築しました。大規模な実験は、APCoTTA が両方のベンチマークで Superiorなパフォーマンスを達成し、直接的な推論に対して mIoU を約 9%と 14%改善することを示しています。新しいベンチマークとコードは、https://github.com/Gaoyuan2/APCoTTA で利用可能です。

arXiv:2505.09971v3 Announce Type: replace Abstract: Airborne laser scanning (ALS) point cloud semantic segmentation is a fundamental task for large-scale 3D scene understanding. Fixed models deployed in real-world scenarios often suffer from performance degradation due to continuous domain shifts caused by environmental and sensor changes. Continuous Test-Time Adaptation (CTTA) enables adaptation to evolving unlabeled domains, but its application to ALS point clouds remains underexplored, hindered by the lack of benchmarks and the risks of catastrophic forgetting and error accumulation. To address these challenges, we propose APCoTTA (ALS Point cloud Continuous Test-Time Adaptation), a novel CTTA framework tailored for ALS point cloud semantic segmentation. APCoTTA consists of three key components. First, we adapt a gradient-driven layer selection mechanism for ALS point clouds, selectively updating low-confidence layers while freezing stable ones to preserve source knowledge and mitigate catastrophic forgetting. Second, an entropy-based consistency loss discards unreliable samples and enforces consistency regularization solely on reliable ones, effectively reducing error accumulation and improving adaptation stability. Third, a random parameter interpolation mechanism stochastically blends adapted parameters with source model parameters, further balancing target adaptation and source knowledge retention. Finally, we construct two benchmarks, ISPRSC and H3DC, to address the lack of CTTA benchmarks for ALS point cloud segmentation. Extensive experiments demonstrate that APCoTTA achieves superior performance on both benchmarks, improving mIoU by approximately 9\% and 14\% over direct inference. The new benchmarks and code are available at https://github.com/Gaoyuan2/APCoTTA.