論文の概要: Self-Supervised Learning for Domain Adaptation on Point-Clouds

• arxiv url: http://arxiv.org/abs/2003.12641v5
• Date: Fri, 13 May 2022 11:45:58 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-18 13:31:41.810980
• Title: Self-Supervised Learning for Domain Adaptation on Point-Clouds
• Title（参考訳）: ポイントクラウド上でのドメイン適応のための自己教師付き学習
• Authors: Idan Achituve, Haggai Maron and Gal Chechik
• Abstract要約: 自己教師付き学習(SSL)は、ラベルのないデータから有用な表現を学習する技術である。 我々は、シム・トゥ・リアル変換で発生する変形にインスパイアされた、新しいプレテキストタスクである変形再構成のファミリーを導入する。 さらに,MixUp法によって動機付けられたラベル付き点雲データの新たなトレーニング手順を提案する。
• 参考スコア（独自算出の注目度）: 45.86784687355947
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Self-supervised learning (SSL) is a technique for learning useful representations from unlabeled data. It has been applied effectively to domain adaptation (DA) on images and videos. It is still unknown if and how it can be leveraged for domain adaptation in 3D perception problems. Here we describe the first study of SSL for DA on point clouds. We introduce a new family of pretext tasks, Deformation Reconstruction, inspired by the deformations encountered in sim-to-real transformations. In addition, we propose a novel training procedure for labeled point cloud data motivated by the MixUp method called Point cloud Mixup (PCM). Evaluations on domain adaptations datasets for classification and segmentation, demonstrate a large improvement over existing and baseline methods.
• Abstract（参考訳）: 自己教師付き学習(SSL)は、ラベルのないデータから有用な表現を学習する技術である。 画像やビデオのドメイン適応(DA)に効果的に適用されている。 3次元知覚問題における領域適応にどのように活用できるかは、まだ不明である。 ここでは、ポイントクラウド上でのDAのためのSSLに関する最初の研究について述べる。 我々は、シム・トゥ・リアル変換で発生する変形にインスパイアされた、新しいプレテキストタスクである変形再構成のファミリーを導入する。 また,PCM(Point cloud Mixup)と呼ばれるMixUp方式により,ラベル付きクラウドデータの新たなトレーニング手順を提案する。 ドメイン適応型データセットの分類とセグメンテーションの評価は、既存のメソッドとベースラインメソッドを大きく改善することを示している。

関連論文リスト

• Class-Imbalanced Semi-Supervised Learning for Large-Scale Point Cloud Semantic Segmentation via Decoupling Optimization [64.36097398869774]
  半教師付き学習(SSL)は大規模3Dシーン理解のための活発な研究課題である。 既存のSSLベースのメソッドは、クラス不均衡とポイントクラウドデータのロングテール分布による厳しいトレーニングバイアスに悩まされている。 本稿では,特徴表現学習と分類器を別の最適化方法で切り離してバイアス決定境界を効果的にシフトする,新しいデカップリング最適化フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-01-13T04:16:40Z)
• Learning-Based Biharmonic Augmentation for Point Cloud Classification [79.13962913099378]
  Biharmonic Augmentation (BA)は、新しくて効率的なデータ拡張技術である。 BAは、既存の3D構造にスムーズな非剛性変形を与えることにより、点雲データを多様化する。 本稿では,先進的なオンライン強化システムであるAdvTuneについて紹介する。
  論文  参考訳（メタデータ） (2023-11-10T14:04:49Z)
• PC-Adapter: Topology-Aware Adapter for Efficient Domain Adaption on Point Clouds with Rectified Pseudo-label [39.6711648793659]
  ドメインシフトシナリオの下では、ポイントクラウドデータのユニークな課題を再考します。 アダプタ誘導型ドメイン適応手法 PC-Adapter を提案する。 本手法は,ベンチマークデータセットにおける各種領域シフト設定のベースラインよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-09-29T02:32:01Z)
• 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)
• Domain Adaptation on Point Clouds via Geometry-Aware Implicits [14.404842571470061]
  一般的な幾何学的表現として、ポイントクラウドは3Dビジョンにおいて多くの注目を集めており、自律運転やロボット工学における多くの応用につながっている。 ポイントクラウドで学ぶ上で重要な未解決の問題は、同じ物体の点雲が異なる手順で生成されたり、異なるセンサーで捉えられたりすると、大きな幾何学的なバリエーションを持つ可能性があることである。 ドメインギャップを減らすための典型的なテクニックは、機能領域の点雲が整列できるように、敵対的なトレーニングを実行することである。 本稿では,幾何認識型暗黙的学習の自己指導的タスクを用いて,点雲上での教師なし領域適応の簡易かつ効果的な手法を提案する。
  論文  参考訳（メタデータ） (2021-12-17T06:28:01Z)
• RefRec: Pseudo-labels Refinement via Shape Reconstruction for Unsupervised 3D Domain Adaptation [23.275638060852067]
  RefRecは、ポイントクラウドのためのUDAにおける擬似ラベルと自己学習を調査するための最初のアプローチである。 我々は3Dデータに自己学習を効果的にするための2つの主要なイノベーションを提示する。
  論文  参考訳（メタデータ） (2021-10-21T10:24:05Z)
• Point Discriminative Learning for Unsupervised Representation Learning on 3D Point Clouds [54.31515001741987]
  3次元点雲上での教師なし表現学習のための点識別学習法を提案する。 我々は、中間レベルとグローバルレベルの特徴に新しい点識別損失を課すことにより、これを達成した。 提案手法は強力な表現を学習し,新しい最先端性能を実現する。
  論文  参考訳（メタデータ） (2021-08-04T15:11:48Z)
• Supervised Domain Adaptation using Graph Embedding [86.3361797111839]
  領域適応法は、2つの領域間の分布がシフトし、それを認識しようとすると仮定する。 グラフ埋め込みに基づく汎用フレームワークを提案する。 提案手法が強力なドメイン適応フレームワークにつながることを示す。
  論文  参考訳（メタデータ） (2020-03-09T12:25:13Z)

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。