論文の概要: LiDARNet: A Boundary-Aware Domain Adaptation Model for Point Cloud Semantic Segmentation

• arxiv url: http://arxiv.org/abs/2003.01174v3
• Date: Sat, 24 Apr 2021 21:32:21 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-27 04:56:11.825287
• Title: LiDARNet: A Boundary-Aware Domain Adaptation Model for Point Cloud Semantic Segmentation
• Title（参考訳）: LiDARNet: ポイントクラウドセマンティックセマンティックセグメンテーションのための境界対応ドメイン適応モデル
• Authors: Peng Jiang and Srikanth Saripalli
• Abstract要約: 我々は、LiDARスキャンフルシーンセマンティックセマンティックセグメンテーション(LiDARNet)のための境界対応ドメイン適応モデルを提案する。 我々のモデルは、ドメインプライベート機能とドメイン共有機能の両方を2ブランチ構造で抽出することができる。 このアプローチを用いることで、両方のドメインで動作する単一のプロジェクションベースのLiDARのフルシーンセマンティックセマンティックセマンティクスモデルが得られる。
• 参考スコア（独自算出の注目度）: 18.211513930388417
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present a boundary-aware domain adaptation model for LiDAR scan full-scene semantic segmentation (LiDARNet). Our model can extract both the domain private features and the domain shared features with a two-branch structure. We embedded Gated-SCNN into the segmentor component of LiDARNet to learn boundary information while learning to predict full-scene semantic segmentation labels. Moreover, we further reduce the domain gap by inducing the model to learn a mapping between two domains using the domain shared and private features. Additionally, we introduce a new dataset (SemanticUSL\footnote{The access address of SemanticUSL:\url{https://unmannedlab.github.io/research/SemanticUSL}}) for domain adaptation for LiDAR point cloud semantic segmentation. The dataset has the same data format and ontology as SemanticKITTI. We conducted experiments on real-world datasets SemanticKITTI, SemanticPOSS, and SemanticUSL, which have differences in channel distributions, reflectivity distributions, diversity of scenes, and sensors setup. Using our approach, we can get a single projection-based LiDAR full-scene semantic segmentation model working on both domains. Our model can keep almost the same performance on the source domain after adaptation and get an 8\%-22\% mIoU performance increase in the target domain.
• Abstract（参考訳）: 本稿では,LiDARスキャンのフルシーンセマンティックセマンティックセグメンテーション(LiDARNet)のための境界対応ドメイン適応モデルを提案する。 我々のモデルは、ドメインプライベート機能とドメイン共有機能の両方を2ブランチ構造で抽出することができる。 我々はGated-SCNNをLiDARNetのセグメンタコンポーネントに組み込んで境界情報を学習し、フルシーンセグメンテーションラベルを予測した。 さらに、ドメイン共有機能とプライベート機能を使って2つのドメイン間のマッピングを学習するためにモデルを誘導することで、ドメインギャップをさらに小さくする。 さらに、LiDARポイントクラウドセマンティックセグメンテーションのためのドメイン適応のための新しいデータセット(SemanticUSL\footnote{The access address of SemanticUSL:\url{https://unmannedlab.github.io/research/SemanticUSL}})を導入する。 データセットはSemanticKITTIと同じデータフォーマットとオントロジーを持つ。 実世界のデータセットsemantickitti,semanticposs,semanticuslについて実験を行い,チャネル分布,反射率分布,シーンの多様性,センサ設定の違いについて検討した。 このアプローチを用いることで、両方のドメインで動作する単一のプロジェクションベースのLiDARのフルシーンセマンティックセマンティックセマンティクスモデルが得られる。 私たちのモデルは、適応後、ほぼ同じパフォーマンスをソースドメインに保持でき、ターゲットドメインで8\%-22\%miouパフォーマンスが向上します。

関連論文リスト

• AdaptDiff: Cross-Modality Domain Adaptation via Weak Conditional Semantic Diffusion for Retinal Vessel Segmentation [10.958821619282748]
  本稿では、AdaptDiffという、教師なしドメイン適応(UDA)手法を提案する。 これにより、眼底撮影(FP)で訓練された網膜血管分割ネットワークが、目に見えないモダリティに対して満足な結果をもたらすことができる。 その結果,全データセットのセグメンテーション性能は大幅に向上した。
  論文  参考訳（メタデータ） (2024-10-06T23:04:29Z)
• Compositional Semantic Mix for Domain Adaptation in Point Cloud Segmentation [65.78246406460305]
  合成意味混合は、ポイントクラウドセグメンテーションのための最初の教師なし領域適応技術である。 本稿では、ソースドメイン(例えば合成)からの点雲とターゲットドメイン(例えば実世界)からの点雲を同時に処理できる2分岐対称ネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2023-08-28T14:43:36Z)
• Fake it, Mix it, Segment it: Bridging the Domain Gap Between Lidar Sensors [0.966840768820136]
  ライダーセグメンテーションのための最高のニューラルネットワークは、特定のデータセットに微調整される。 新しいセンサーから注釈付きデータのセットを 再トレーニングせずにライダーセンサーを切り替えると ドメインシフトが発生する そこで我々は,注釈付きパノプティカル・ライダー・データセットを用いて,異なるライダー・センサの構造に記録されたシーンを再現するライダー・ドメイン適応法を提案する。
  論文  参考訳（メタデータ） (2022-12-19T14:57:13Z)
• Multi-Modal Cross-Domain Alignment Network for Video Moment Retrieval [55.122020263319634]
  ビデオモーメント検索(VMR)は、与えられた言語クエリに従って、未編集のビデオからターゲットモーメントをローカライズすることを目的としている。 本稿では、新しいタスクであるクロスドメインVMRに焦点を当て、完全なアノテーション付きデータセットをひとつのドメインで利用できるが、関心のあるドメインは、注釈なしのデータセットのみを含む。 本稿では、アノテーションの知識をソースドメインからターゲットドメインに転送するマルチモーダル・クロスドメインアライメント・ネットワークを提案する。
  論文  参考訳（メタデータ） (2022-09-23T12:58:20Z)
• Unsupervised Domain Adaptation for Point Cloud Semantic Segmentation via Graph Matching [14.876681993079062]
  本稿では,2つの領域間の局所的な特徴アライメントを探索するグラフベースのフレームワークを提案する。 また、カテゴリー誘導型コントラスト損失を定式化し、セグメント化モデルを誘導し、対象領域における識別的特徴を学習する。
  論文  参考訳（メタデータ） (2022-08-09T02:30:15Z)
• DecoupleNet: Decoupled Network for Domain Adaptive Semantic Segmentation [78.30720731968135]
  セマンティックセグメンテーションにおける教師なしドメイン適応は、高価なピクセル単位のアノテーションへの依存を軽減するために提起されている。 我々は、ソースドメインのオーバーフィットを軽減し、最終的なモデルをセグメント化タスクに集中できるようにするDecoupleNetを提案する。 我々はまた、自己識別(SD)を推進し、擬似ラベルでより識別可能なターゲットドメイン特徴を学習するための補助分類器を導入した。
  論文  参考訳（メタデータ） (2022-07-20T15:47:34Z)
• Semantic-Aware Domain Generalized Segmentation [67.49163582961877]
  ソースドメインでトレーニングされたディープモデルは、異なるデータ分布を持つ未確認対象ドメインで評価された場合、一般化に欠ける。 セマンティック・アウェア・正規化(SAN)とセマンティック・アウェア・ホワイトニング(SAW)の2つの新しいモジュールを含むフレームワークを提案する。 提案手法は,様々なバックボーンネットワークにおいて,既存の最先端ネットワークよりも大幅に改善されている。
  論文  参考訳（メタデータ） (2022-04-02T09:09:59Z)
• Cluster, Split, Fuse, and Update: Meta-Learning for Open Compound Domain Adaptive Semantic Segmentation [102.42638795864178]
  セマンティックセグメンテーションのための原則的メタラーニングに基づくOCDAアプローチを提案する。 対象ドメインを複数のサブターゲットドメインに,教師なしの方法で抽出した画像スタイルでクラスタリングする。 その後、メタラーニングがデプロイされ、スタイルコードに条件付きでサブターゲットドメイン固有の予測を融合するように学習される。 モデルに依存しないメタラーニング(MAML)アルゴリズムにより,モデルをオンライン更新することを学び,一般化をさらに改善する。
  論文  参考訳（メタデータ） (2020-12-15T13:21:54Z)
• Domain Adaptation for Semantic Parsing [68.81787666086554]
  本稿では,ドメイン適応のための新しいセマンティクスを提案する。このセマンティクスでは,ソースドメインと比較して,対象ドメインのアノテーション付きデータがはるかに少ない。 我々のセマンティックな利点は、2段階の粗大なフレームワークから得ており、2段階の異なる正確な処理を提供できる。 ベンチマークデータセットの実験により、我々の手法はいくつかの一般的なドメイン適応戦略より一貫して優れていることが示された。
  論文  参考訳（メタデータ） (2020-06-23T14:47:41Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。