3D-BBDA es un marco de adaptación de dominio de caja negra y sin retropropagación para la clasificación de nubes de puntos 3D que no requiere ni datos de origen ni acceso a los componentes internos del modelo de origen. El método combina la alineación de prototipos guiada por pseudoetiquetas con una estrategia de completado de priors de prototipos perturbados con ruido gaussiano, que estabiliza la adaptación cuando las pseudoetiquetas son escasas, y un módulo de predicción ponderada que equilibra los priors de origen con la corrección específica del dominio objetivo. Los experimentos con varios conjuntos de referencia 3D con corrupciones demuestran mejoras de robustez consistentes con una sobrecarga mínima, lo que permite un despliegue en tiempo real y que preserva la privacidad. La robustez y la viabilidad en tiempo real se validan mediante conjuntos de referencia estándar de corrupción y mediciones de la sobrecarga de inferencia.
Comparación detallada con BFTT3D
BFTT3D es el método previo más cercano a 3D-BBDA, ya que ambos evitan la retropropagación durante la inferencia y utilizan representaciones no paramétricas del dominio objetivo junto con una alineación de subespacio compartido basada en prototipos. Por lo tanto, la principal diferencia metodológica no consiste en introducir un objetivo de alineación de subespacio completamente nuevo, sino en reformular esta canalización para una interfaz de caja negra más restrictiva, sin datos de origen y basada únicamente en logits.
3D-BBDA no presenta el objetivo de alineación de subespacio compartido en sí como una contribución novedosa. En cambio, el método modifica la información disponible para esta alineación: elimina la memoria derivada del origen y la sustituye por prototipos del dominio objetivo guiados por pseudoetiquetas, completa las clases ausentes a partir de un prior del dominio objetivo sin etiquetar y perturbado con ruido gaussiano, y combina la predicción de alineación resultante con la predicción del modelo de origen de caja negra. Estos cambios permiten que el marco de alineación funcione bajo las restricciones conjuntas de no usar datos de origen, operar como caja negra y prescindir de la retropropagación.
Algoritmo
El procedimiento completo de inferencia de 3D-BBDA primero construye una memoria fija de prototipos derivada del dominio objetivo a partir de características y pseudoetiquetas acumuladas; luego realiza la alineación de subespacio compartido por bloques y combina las predicciones ponderadas.
Detalles de las implementaciones controladas de métodos de referencia recientes
Los métodos recientes de adaptación difieren considerablemente en cuanto a la información que asumen disponible durante la inferencia. Por ello, distinguimos las implementaciones originales de las adaptaciones controladas y documentamos explícitamente los supuestos de acceso a la información y de arquitectura utilizados en cada comparación.
Adaptación controlada de PURGE-GATE
La versión nativa PG-SF de PURGE-GATE está diseñada para arquitecturas de nubes de puntos basadas en Transformer y depende de las representaciones CLS y de atención Q/K. Estas cantidades no están disponibles en PointNet ni en GDANet y, lo que es más importante, tampoco serían accesibles mediante la interfaz de caja negra basada únicamente en logits que presupone 3D-BBDA.
Por tanto, para la comparación con PointNet/GDANet, desarrollamos una adaptación controlada PG-SP. La purga se aplica a la primera representación por punto de 64 dimensiones disponible en cada arquitectura, y se utilizan estadísticas de embeddings derivadas del origen, de acuerdo con la formulación de PG-SP. No se realiza retropropagación en el dominio objetivo.
Detalles de implementación
La versión nativa PG-SF de PURGE-GATE opera sobre representaciones CLS/Q/K específicas de Transformer y, por lo tanto, no es directamente aplicable a PointNet/GDANet. Implementamos una adaptación controlada PG-SP aplicando la purga a la primera representación por punto de 64 dimensiones, utilizando estadísticas de embeddings derivadas del origen.
DINE-3D designa una adaptación controlada de DINE en el espacio de características, método propuesto originalmente para la adaptación de dominio de caja negra en 2D. Utiliza las mismas características de destino congeladas de PointNN que 3D-BBDA, al tiempo que conserva los objetivos de destilación de probabilidades de origen, memoria EMA, maximización de información, MixUp y ajuste fino en el dominio objetivo de DINE. A diferencia de 3D-BBDA, DINE-3D requiere retropropagación en el dominio objetivo.
Conclusión
Proponemos 3D-BBDA, un marco de adaptación de dominio de caja negra y sin retropropagación para la clasificación de nubes de puntos 3D que no requiere ni datos de origen ni acceso a los componentes internos del modelo de origen. El método combina la alineación de prototipos guiada por pseudoetiquetas con una estrategia de completado de priors de prototipos perturbados con ruido gaussiano, que estabiliza la adaptación cuando las pseudoetiquetas son escasas, y un módulo de predicción ponderada que equilibra los priors de origen con la corrección específica del dominio objetivo. Los experimentos con varios conjuntos de referencia 3D con corrupciones demuestran mejoras de robustez consistentes con una sobrecarga mínima, lo que permite un despliegue en tiempo real y que preserva la privacidad. Validamos la robustez y la viabilidad en tiempo real mediante conjuntos de referencia estándar de corrupción y mediciones de la sobrecarga de inferencia.
Agradecimientos
Este trabajo contó con el apoyo de la Organización de Investigación Espacial de la India mediante la subvención n.º RespondAI, P.No.ISRO/RES/3/1147/26-27. Shivangi Rai agradece el apoyo financiero recibido a través de la beca de doctorado Visvesvaraya del Ministerio de Electrónica y Tecnología de la Información (MeitY) del Gobierno de la India.
Preguntas frecuentes
¿Qué problema aborda 3D-BBDA? Aborda la adaptación de dominio para la clasificación de nubes de puntos 3D bajo las restricciones de no usar datos de origen, operar como caja negra y prescindir de la retropropagación.
¿Requiere 3D-BBDA acceso a los datos de origen o a los componentes internos del modelo de origen? No. El marco no requiere ni datos de origen ni acceso a los componentes internos del modelo de origen.
¿Cómo gestiona 3D-BBDA las pseudoetiquetas escasas? Utiliza el completado de priors de prototipos perturbados con ruido gaussiano para estabilizar la adaptación cuando las pseudoetiquetas son escasas.
¿En qué se diferencia DINE-3D de 3D-BBDA? DINE-3D conserva los objetivos de ajuste fino en el dominio objetivo de DINE y requiere retropropagación en dicho dominio, a diferencia de 3D-BBDA.