一种面向点云场景分割的无参几何引导的测试时间适应方法

本发明公开了一种面向点云场景分割的无参几何引导的测试时间适应方法，该方法获取同一点云场景的点云数据；分别将点云数据输入至训练好的深度视觉模型和无参几何模型以对应提取源域特征和几何特征；对源域特征和几何特征进行特征蒸馏损失计算，并基于特征蒸馏损失计算确定每个点的类别预测结果；根据基于源域特征和所述几何特征的软投票策略修正伪标签，并将修正后的伪标签与类别预测结果进行交叉熵损失计算。本发明鉴于无参几何能够较好捕获数据底层的流形信息，因此其能粗糙的表示目标域的分布信息，因此将其作为中间域引导源域模型迁移至目标域，大大减少测试时间适应的难度，有效提升模型在目标域上的性能。