論文の概要: A Learnable Self-supervised Task for Unsupervised Domain Adaptation on Point Clouds

• arxiv url: http://arxiv.org/abs/2104.05164v1
• Date: Mon, 12 Apr 2021 02:30:16 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-13 14:10:33.631975
• Title: A Learnable Self-supervised Task for Unsupervised Domain Adaptation on Point Clouds
• Title（参考訳）: 点雲上の教師なし領域適応のための学習可能な自己教師ありタスク
• Authors: Xiaoyuan Luo, Shaolei Liu, Kexue Fu, Manning Wang, Zhijian Song
• Abstract要約: 学習可能な自己教師型タスクを提案し,それをセルフスーパービジョンベースのポイントクラウド UDA アーキテクチャに統合する。 udaアーキテクチャでは、自己監視タスクのためのネットワークとポイントクラウドの分類やセグメンテーションのメインタスクの間でエンコーダが共有される。 PointDA-10とPointSegDAデータセットを用いた実験により,提案手法はポイントクラウドUDAの分類とセグメンテーションのタスクにおいて,新たな最先端性能を実現することを示す。
• 参考スコア（独自算出の注目度）: 7.731213699116179
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep neural networks have achieved promising performance in supervised point cloud applications, but manual annotation is extremely expensive and time-consuming in supervised learning schemes. Unsupervised domain adaptation (UDA) addresses this problem by training a model with only labeled data in the source domain but making the model generalize well in the target domain. Existing studies show that self-supervised learning using both source and target domain data can help improve the adaptability of trained models, but they all rely on hand-crafted designs of the self-supervised tasks. In this paper, we propose a learnable self-supervised task and integrate it into a self-supervision-based point cloud UDA architecture. Specifically, we propose a learnable nonlinear transformation that transforms a part of a point cloud to generate abundant and complicated point clouds while retaining the original semantic information, and the proposed self-supervised task is to reconstruct the original point cloud from the transformed ones. In the UDA architecture, an encoder is shared between the networks for the self-supervised task and the main task of point cloud classification or segmentation, so that the encoder can be trained to extract features suitable for both the source and the target domain data. Experiments on PointDA-10 and PointSegDA datasets show that the proposed method achieves new state-of-the-art performance on both classification and segmentation tasks of point cloud UDA. Code will be made publicly available.
• Abstract（参考訳）: 深層ニューラルネットワークは、教師付きポイントクラウドアプリケーションで有望なパフォーマンスを達成したが、手動アノテーションは非常に高価で、教師付き学習スキームでは時間がかかる。 教師なしドメイン適応(UDA)は、ソースドメインでラベル付きデータのみをトレーニングし、ターゲットドメインでモデルを適切に一般化することによってこの問題に対処する。 既存の研究では、ソースデータとターゲットドメインデータの両方を用いた自己教師型学習は、訓練されたモデルの適応性を向上させることができるが、それらはすべて、自己教師型タスクの手作り設計に依存している。 本稿では,学習可能な自己教師型タスクを提案し,それをセルフスーパービジョンベースのポイントクラウド UDA アーキテクチャに統合する。 具体的には、学習可能な非線形変換を提案し、元の意味情報を保持しながら、点雲の一部を多量の複雑な点雲に変換し、変形した点雲から元の点雲を再構築する。 UDAアーキテクチャでは、自己監督タスクのネットワークとポイントクラウド分類またはセグメンテーションのメインタスクとの間にエンコーダを共有し、ソースデータとターゲットドメインデータの両方に適した特徴を抽出するためにエンコーダを訓練することができる。 PointDA-10とPointSegDAデータセットを用いた実験により,提案手法はポイントクラウドUDAの分類とセグメンテーションのタスクにおいて,新たな最先端性能を実現することを示す。 コードは公開される予定だ。

関連論文リスト

• Weakly-supervised Contrastive Learning for Unsupervised Object Discovery [52.696041556640516]
  ジェネリックな方法でオブジェクトを発見できるため、教師なしのオブジェクト発見は有望である。 画像から高レベルな意味的特徴を抽出する意味誘導型自己教師学習モデルを設計する。 オブジェクト領域のローカライズのための主成分分析(PCA)を導入する。
  論文  参考訳（メタデータ） (2023-07-07T04:03:48Z)
• Self-Distillation for Unsupervised 3D Domain Adaptation [15.660045080090711]
  3次元視覚における点群分類のための教師なし領域適応法(UDA)を提案する。 本研究では、ポイントクラウドとその拡張バージョン間の一貫性を強制する対象ドメインの識別的特徴空間を得ることに焦点をあてる。 疑似ラベルを洗練させるために,UDAコンテキストにおけるグラフニューラルネットワークを利用した新しい反復的自己学習手法を提案する。
  論文  参考訳（メタデータ） (2022-10-15T08:37:02Z)
• Instance Relation Graph Guided Source-Free Domain Adaptive Object Detection [79.89082006155135]
  教師なしドメイン適応(Unsupervised Domain Adaptation, UDA)は、ドメインシフトの問題に取り組むための効果的なアプローチである。 UDAメソッドは、ターゲットドメインの一般化を改善するために、ソースとターゲット表現を整列させようとする。 Source-Free Adaptation Domain (SFDA)設定は、ソースデータへのアクセスを必要とせずに、ターゲットドメインに対してソーストレーニングされたモデルを適用することで、これらの懸念を軽減することを目的としている。
  論文  参考訳（メタデータ） (2022-03-29T17:50:43Z)
• Self-Supervised Point Cloud Representation Learning with Occlusion Auto-Encoder [63.77257588569852]
  本稿では,3D Occlusion Auto-Encoder(3D-OAE)を提案する。 私たちのキーとなるアイデアは、入力ポイントクラウドのローカルパッチをランダムに排除し、隠されたパッチを復元することで監督を確立することです。 従来の手法とは対照的に、我々の3D-OAEは大量のパッチを除去し、少数の可視パッチでしか予測できない。
  論文  参考訳（メタデータ） (2022-03-26T14:06:29Z)
• Upsampling Autoencoder for Self-Supervised Point Cloud Learning [11.19408173558718]
  人間のアノテーションを使わずに、ポイントクラウド学習のための自己教師付き事前学習モデルを提案する。 アップサンプリング操作は、ポイントクラウドの高レベルセマンティック情報と低レベル幾何情報の両方を捕捉することをネットワークに促す。 我々のUAEは、形状分類、部分分割、点雲アップサンプリングタスクにおいて、従来の最先端手法よりも優れています。
  論文  参考訳（メタデータ） (2022-03-21T07:20:37Z)
• Shuffle Augmentation of Features from Unlabeled Data for Unsupervised Domain Adaptation [21.497019000131917]
  Unsupervised Domain Adaptation (UDA) は、ターゲットサンプルのラベルが利用できない転送学習の分野である。 本稿では,新しいUDAフレームワークとしてShuffle Augmentation of Features (SAF)を提案する。 SAFはターゲットサンプルから学習し、クラス認識対象の特徴を適応的に蒸留し、クラス境界を見つけるために分類器を暗黙的にガイドする。
  論文  参考訳（メタデータ） (2022-01-28T07:11:05Z)
• Self-Ensemling for 3D Point Cloud Domain Adaption [29.330315360307374]
  本稿では,3次元クラウド領域適応タスクのためのエンドツーエンドの自己組織化ネットワーク(SEN)を提案する。 我々のSENは、平均教師と半教師付き学習の利点を生かし、ソフトな分類損失と一貫性損失を導入している。 我々のSENは、分類タスクとセグメンテーションタスクの両方において最先端の手法より優れています。
  論文  参考訳（メタデータ） (2021-12-10T02:18:09Z)
• Unsupervised Representation Learning for 3D Point Cloud Data [66.92077180228634]
  我々は、教師なしのポイントクラウド学習に対して、シンプルで効果的なアプローチを提案する。 特に、原点雲の優れたコントラストバージョンを生成する非常に有用な変換を同定する。 本研究では,3次元オブジェクト分類,形状部分分割,シーン分割の3つの下流タスクについて実験を行った。
  論文  参考訳（メタデータ） (2021-10-13T10:52:45Z)
• Self-Supervised Few-Shot Learning on Point Clouds [18.528929583956725]
  近年、ラベル付きポイントクラウド上で動作するディープニューラルネットワークは、分類やセグメンテーションといった教師付き学習タスクにおいて有望な結果を示している。 点雲の階層的分割を符号化する2つの新しい自己教師型事前学習タスクを提案する。 本研究では,自己教師付き学習法で事前学習した教師あり学習法が,最先端の手法の精度を大幅に向上することを示す。
  論文  参考訳（メタデータ） (2020-09-29T17:32:44Z)
• Unsupervised Feedforward Feature (UFF) Learning for Point Cloud Classification and Segmentation [57.62713515497585]
  3次元点雲の連成分類とセグメンテーションのために,教師なしフィードフォワード特徴学習を提案する。 UFF法は、点雲セット内の点の統計的相関を利用して、1パスのフィードフォワード方式で形状と点の特徴を学習する。 エンコーダとローカルポイントでグローバルな形状の特徴を、エンコーダ-デコーダアーキテクチャを通して学習する。
  論文  参考訳（メタデータ） (2020-09-02T18:25:25Z)
• Do We Really Need to Access the Source Data? Source Hypothesis Transfer for Unsupervised Domain Adaptation [102.67010690592011]
  Unsupervised adaptUDA (UDA) は、ラベル付きソースデータセットから学んだ知識を活用して、新しいラベル付きドメインで同様のタスクを解決することを目的としている。 従来のUDAメソッドは、モデルに適応するためには、通常、ソースデータにアクセスする必要がある。 この作業は、訓練済みのソースモデルのみが利用できる実践的な環境に取り組み、ソースデータなしでそのようなモデルを効果的に活用してUDA問題を解決する方法に取り組みます。
  論文  参考訳（メタデータ） (2020-02-20T03:13:58Z)

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。