論文の概要: 3DIoUMatch: Leveraging IoU Prediction for Semi-Supervised 3D Object Detection

• arxiv url: http://arxiv.org/abs/2012.04355v2
• Date: Wed, 7 Apr 2021 13:31:55 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-17 07:33:52.730454
• Title: 3DIoUMatch: Leveraging IoU Prediction for Semi-Supervised 3D Object Detection
• Title（参考訳）: 3DIoUMatch:セミスーパービジョンされた3Dオブジェクト検出のためのIoU予測の活用
• Authors: He Wang, Yezhen Cong, Or Litany, Yue Gao, Leonidas J. Guibas
• Abstract要約: 3DIoUMatchは屋内および屋外の場面両方に適当3D目的の検出のための新しい半監視された方法です。 教師と教師の相互学習の枠組みを活用し,ラベル付けされていない列車の情報を擬似ラベルの形で伝達する。 本手法は,ScanNetとSUN-RGBDのベンチマークにおける最先端の手法を,全てのラベル比で有意差で継続的に改善する。
• 参考スコア（独自算出の注目度）: 76.42897462051067
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: 3D object detection is an important yet demanding task that heavily relies on difficult to obtain 3D annotations. To reduce the required amount of supervision, we propose 3DIoUMatch, a novel semi-supervised method for 3D object detection applicable to both indoor and outdoor scenes. We leverage a teacher-student mutual learning framework to propagate information from the labeled to the unlabeled train set in the form of pseudo-labels. However, due to the high task complexity, we observe that the pseudo-labels suffer from significant noise and are thus not directly usable. To that end, we introduce a confidence-based filtering mechanism, inspired by FixMatch. We set confidence thresholds based upon the predicted objectness and class probability to filter low-quality pseudo-labels. While effective, we observe that these two measures do not sufficiently capture localization quality. We therefore propose to use the estimated 3D IoU as a localization metric and set category-aware self-adjusted thresholds to filter poorly localized proposals. We adopt VoteNet as our backbone detector on indoor datasets while we use PV-RCNN on the autonomous driving dataset, KITTI. Our method consistently improves state-of-the-art methods on both ScanNet and SUN-RGBD benchmarks by significant margins under all label ratios (including fully labeled setting). For example, when training using only 10\% labeled data on ScanNet, 3DIoUMatch achieves 7.7 absolute improvement on mAP@0.25 and 8.5 absolute improvement on mAP@0.5 upon the prior art. On KITTI, we are the first to demonstrate semi-supervised 3D object detection and our method surpasses a fully supervised baseline from 1.8% to 7.6% under different label ratios and categories.
• Abstract（参考訳）: 3Dオブジェクト検出は、3Dアノテーションの取得が困難である重要なタスクである。 そこで本研究では,室内と屋外の両方のシーンに適用可能な3Dオブジェクト検出手法である3DIoUMatchを提案する。 教師と教師の相互学習の枠組みを活用し,ラベル付けされていない列車の情報を擬似ラベルの形で伝達する。 しかし、タスクの複雑さが高いため、擬似ラベルが大きなノイズに悩まされ、直接使用できないことが観察された。 そこで我々はFixMatchにインスパイアされた信頼に基づくフィルタリング機構を導入する。 低品質の擬似ラベルをフィルタするために,予測対象性とクラス確率に基づいて信頼しきい値を設定する。 有効ではあるが,これら2つの指標は定位品質を十分に把握していない。 そこで我々は,推定3次元iouを局所化指標として使用し,カテゴリ対応の自己調整しきい値を設定し,低局所化提案をフィルタリングする方法を提案する。 我々は、VoteNetを屋内データセットのバックボーン検出器として採用し、PV-RCNNを自動運転データセットKITTIに使用しています。 本手法は,ScanNetとSUN-RGBDのベンチマークにおける最先端の手法を,すべてのラベル比(完全ラベル付き設定を含む)において有意差で継続的に改善する。 例えば、ScanNet上のラベル付きデータのみを使用したトレーニングでは、3DIoUMatchはmAP@0.25で7.7、mAP@0.5で8.5の絶対改善を達成した。 KITTIでは,まず半教師付き3次元物体検出実験を行い,その手法がラベルの比率やカテゴリによって1.8%から7.6%まで完全に教師付きベースラインを超えた。

関連論文リスト

• TrajSSL: Trajectory-Enhanced Semi-Supervised 3D Object Detection [59.498894868956306]
  Pseudo-labeling approach to semi-supervised learning は教師-学生の枠組みを採用する。 我々は、事前学習した動き予測モデルを活用し、擬似ラベル付きデータに基づいて物体軌跡を生成する。 提案手法は2つの異なる方法で擬似ラベル品質を向上する。
  論文  参考訳（メタデータ） (2024-09-17T05:35:00Z)
• Reliable Student: Addressing Noise in Semi-Supervised 3D Object Detection [3.6035734305775518]
  半教師付き3Dオブジェクト検出は、ラベル付きデータに制限がある場合に、有望な擬似ラベル手法の恩恵を受けることができる。 最近のアプローチでは、トレーニング中のノイズの多い擬似ラベルの影響を見落としている。 本稿では,2つの相補的手法を取り入れた信頼性学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-04-27T13:38:45Z)
• HyperMODEST: Self-Supervised 3D Object Detection with Confidence Score Filtering [9.14477900515147]
  現在のLiDARベースの自律走行用3Dオブジェクト検出器は、ほとんど完全に人間の注釈付きデータに基づいて訓練されている。 MODESTはラベルなしで3Dオブジェクト検出器を訓練する最初の試みである。 本稿では,自己学習プロセスを大幅に高速化し,特定のデータセットのチューニングを必要としない普遍的手法を提案する。
  論文  参考訳（メタデータ） (2023-04-27T18:12:11Z)
• DDS3D: Dense Pseudo-Labels with Dynamic Threshold for Semi-Supervised 3D Object Detection [15.440609044002722]
  本報告では, 簡易かつ効果的な半教師付き3次元物体検出器である3Dについて述べる。 これら2つのコンポーネントに適合して、我々の3Dは、最先端の半教師付き3Dオブジェクト検出を、データセットで3.1%、サイクリストで2.1%で上回っている。
  論文  参考訳（メタデータ） (2023-03-09T07:30:53Z)
• Semi-supervised 3D Object Detection with Proficient Teachers [114.54835359657707]
  自律運転のシナリオにおけるクラウドベースの3Dオブジェクト検出器の優位性は、大量の正確なラベル付きサンプルに大きく依存している。 Pseudo-Labeling法はSSLフレームワークで一般的に使用されているが、教師モデルの低品質な予測は、その性能を著しく制限している。 そこで本研究では,教師モデルをさらに高度化することで,半教師付き3次元物体検出のためのPseudo-Labelingフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-07-26T04:54:03Z)
• ST3D++: Denoised Self-training for Unsupervised Domain Adaptation on 3D Object Detection [78.71826145162092]
  本稿では,ST3D++という名前の自己学習手法を提案する。 擬似ラベル生成プロセスにハイブリット品質を意識した三重項メモリを組み込むことにより、生成された擬似ラベルの品質と安定性を向上させる。 モデルトレーニングの段階では、ソースデータ支援トレーニング戦略とカリキュラムデータ拡張ポリシーを提案する。
  論文  参考訳（メタデータ） (2021-08-15T07:49:06Z)
• Semi-supervised 3D Object Detection via Adaptive Pseudo-Labeling [18.209409027211404]
  3次元物体検出はコンピュータビジョンにおいて重要な課題である。 既存のほとんどのメソッドでは、多くの高品質な3Dアノテーションが必要です。 本研究では,屋外3次元物体検出タスクのための擬似ラベルに基づく新しい半教師付きフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-08-15T02:58:43Z)
• ST3D: Self-training for Unsupervised Domain Adaptation on 3D ObjectDetection [78.71826145162092]
  点雲からの3次元物体検出における教師なし領域適応のための新しい領域適応型自己学習パイプラインST3Dを提案する。 当社のST3Dは、評価されたすべてのデータセットで最先端のパフォーマンスを達成し、KITTI 3Dオブジェクト検出ベンチマークで完全に監視された結果を超えます。
  論文  参考訳（メタデータ） (2021-03-09T10:51:24Z)
• SESS: Self-Ensembling Semi-Supervised 3D Object Detection [138.80825169240302]
  具体的には、ラベルのない新しい未知のデータに基づくネットワークの一般化を促進するための、徹底的な摂動スキームを設計する。 我々のSESSは、50%のラベル付きデータを用いて、最先端の完全教師付き手法と比較して、競争性能を達成している。
  論文  参考訳（メタデータ） (2019-12-26T08:48:04Z)

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。