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
- MS3D: Leveraging Multiple Detectors for Unsupervised Domain Adaptation
in 3D Object Detection [7.489722641968593]
マルチソース3D(MS3D)は、3D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新しい自己学習パイプラインである。
提案するKernel-Density Estimation (KDE) Box Fusion法は,複数のドメインからのボックス提案を融合して擬似ラベルを得る。
MS3Dはドメインシフトに対してより堅牢性を示し、より大きな距離で正確な擬似ラベルを生成する。
論文 参考訳(メタデータ) (2023-04-05T13:29:21Z) - 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) - Attentive Prototypes for Source-free Unsupervised Domain Adaptive 3D
Object Detection [85.11649974840758]
3Dオブジェクト検出ネットワークは、トレーニングされたデータに対してバイアスを受ける傾向がある。
そこで本研究では,ライダーを用いた3次元物体検出器のソースレス・教師なし領域適応のための単一フレーム手法を提案する。
論文 参考訳(メタデータ) (2021-11-30T18:42:42Z) - Object DGCNN: 3D Object Detection using Dynamic Graphs [32.090268859180334]
3Dオブジェクト検出は、複雑なトレーニングとテストパイプラインを伴うことが多い。
近年,非最大抑圧型2次元物体検出モデルに着想を得て,点雲上の3次元物体検出アーキテクチャを提案する。
論文 参考訳(メタデータ) (2021-10-13T17:59:38Z) - 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) - Reinforced Axial Refinement Network for Monocular 3D Object Detection [160.34246529816085]
モノクロ3次元物体検出は、2次元入力画像から物体の位置と特性を抽出することを目的としている。
従来のアプローチでは、空間から3D境界ボックスをサンプリングし、対象オブジェクトと各オブジェクトの関係を推定するが、有効サンプルの確率は3D空間で比較的小さい。
我々は,まず最初の予測から始めて,各ステップで1つの3dパラメータだけを変えて,基礎的真理に向けて徐々に洗練することを提案する。
これは、いくつかのステップの後に報酬を得るポリシーを設計する必要があるため、最適化するために強化学習を採用します。
論文 参考訳(メタデータ) (2020-08-31T17:10:48Z)
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。