論文の概要: ST3D: Self-training for Unsupervised Domain Adaptation on 3D
ObjectDetection
- arxiv url: http://arxiv.org/abs/2103.05346v1
- Date: Tue, 9 Mar 2021 10:51:24 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-10 15:08:45.552755
- Title: ST3D: Self-training for Unsupervised Domain Adaptation on 3D
ObjectDetection
- Title（参考訳）: ST3D:3次元オブジェクト検出における教師なしドメイン適応のための自己学習
- Authors: Jihan Yang, Shaoshuai Shi, Zhe Wang, Hongsheng Li, Xiaojuan Qi
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 78.71826145162092
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We present a new domain adaptive self-training pipeline, named ST3D, for
unsupervised domain adaptation on 3D object detection from point clouds. First,
we pre-train the 3D detector on the source domain with our proposed random
object scaling strategy for mitigating the negative effects of source domain
bias. Then, the detector is iteratively improved on the target domain by
alternatively conducting two steps, which are the pseudo label updating with
the developed quality-aware triplet memory bank and the model training with
curriculum data augmentation. These specific designs for 3D object detection
enable the detector to be trained with consistent and high-quality pseudo
labels and to avoid overfitting to the large number of easy examples in pseudo
labeled data. Our ST3D achieves state-of-the-art performance on all evaluated
datasets and even surpasses fully supervised results on KITTI 3D object
detection benchmark. Code will be available at
https://github.com/CVMI-Lab/ST3D.
- Abstract（参考訳）: 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。
まず、ソース領域の負の効果を緩和するランダムオブジェクトスケーリング戦略を提案し、ソース領域上の3D検出器を事前訓練する。
そして、開発した品質認識型三重項メモリバンクによる擬似ラベル更新と、カリキュラムデータ拡張によるモデルトレーニングの2つのステップを代替して、ターゲットドメイン上で反復的に改善する。
3Dオブジェクト検出のためのこれらの特定の設計により、検出器は一貫性のある高品質の擬似ラベルで訓練され、擬似ラベル付きデータにおける多数の簡単な例にオーバーフィットすることを避けることができます。
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。
コードはhttps://github.com/CVMI-Lab/ST3Dで入手できる。
関連論文リスト
- 3DiffTection: 3D Object Detection with Geometry-Aware Diffusion Features [70.50665869806188]
3DiffTectionは、単一の画像から3Dオブジェクトを検出する最先端の方法である。
拡散モデルを微調整し、単一の画像に条件付けされた新しいビュー合成を行う。
さらに、検出監視により、ターゲットデータ上でモデルをトレーニングする。
論文 参考訳（メタデータ） (2023-11-07T23:46:41Z) - 3D Adversarial Augmentations for Robust Out-of-Domain Predictions [115.74319739738571]
ドメイン外データへの一般化の改善に注力する。
対象を逆向きに変形させるベクトルの集合を学習する。
本研究では,学習したサンプル非依存ベクトルをモデルトレーニング時に利用可能なオブジェクトに適用することにより,対数拡大を行う。
論文 参考訳（メタデータ） (2023-08-29T17:58:55Z) - MS3D++: Ensemble of Experts for Multi-Source Unsupervised Domain
Adaptation in 3D Object Detection [12.005805403222354]
未知の領域に3D検出器を配置すると、検出率が70-90%低下することが示されている。
我々は,MS3D++を紹介した。MS3D++は3Dオブジェクト検出において,マルチソースな教師なしドメイン適応のための自己学習フレームワークである。
MS3D++は高品質な擬似ラベルを生成し、3D検出器は様々なライダータイプで高い性能を達成できる。
論文 参考訳（メタデータ） (2023-08-11T07:56:10Z) - SSDA3D: Semi-supervised Domain Adaptation for 3D Object Detection from
Point Cloud [125.9472454212909]
本稿では,3次元物体検出(SSDA3D)のための半改良型領域適応法を提案する。
SSDA3Dはドメイン間適応ステージとドメイン内一般化ステージを含む。
実験の結果,10%のラベル付きターゲットデータしか持たないSSDA3Dは,100%のターゲットラベルを持つ完全教師付きオラクルモデルを上回ることができることがわかった。
論文 参考訳（メタデータ） (2022-12-06T09:32:44Z) - Unsupervised Domain Adaptation for Monocular 3D Object Detection via
Self-Training [57.25828870799331]
我々は、Mono3D上での教師なしドメイン適応のための新しい自己学習フレームワークSTMono3Dを提案する。
対象ドメイン上で適応的な擬似ラベルを生成するための教師学生パラダイムを開発する。
STMono3Dは、評価されたすべてのデータセットで顕著なパフォーマンスを達成し、KITTI 3Dオブジェクト検出データセットの完全な教師付き結果を超えています。
論文 参考訳（メタデータ） (2022-04-25T12:23:07Z) - 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)
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。