論文の概要: SE-SSD: Self-Ensembling Single-Stage Object Detector From Point Cloud

• arxiv url: http://arxiv.org/abs/2104.09804v1
• Date: Tue, 20 Apr 2021 07:33:03 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-21 13:40:19.317634
• Title: SE-SSD: Self-Ensembling Single-Stage Object Detector From Point Cloud
• Title（参考訳）: SE-SSD:ポイントクラウドから1段階のオブジェクト検出器を自己組み立て
• Authors: Wu Zheng, Weiliang Tang, Li Jiang, Chi-Wing Fu
• Abstract要約: 点群における高精度かつ効率的な3D物体検出のために, セルフエンセンブルシングルステージオブジェクト検出器(SE-SSD)を提案する。 私たちの重要な焦点は、定式化された制約でソフトターゲットとハードターゲットの両方を活用することです。 当社のSE-SSDは、これまでのすべての作品と比較して最高性能を達成しました。
• 参考スコア（独自算出の注目度）: 44.009023567586446
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present Self-Ensembling Single-Stage object Detector (SE-SSD) for accurate and efficient 3D object detection in outdoor point clouds. Our key focus is on exploiting both soft and hard targets with our formulated constraints to jointly optimize the model, without introducing extra computation in the inference. Specifically, SE-SSD contains a pair of teacher and student SSDs, in which we design an effective IoU-based matching strategy to filter soft targets from the teacher and formulate a consistency loss to align student predictions with them. Also, to maximize the distilled knowledge for ensembling the teacher, we design a new augmentation scheme to produce shape-aware augmented samples to train the student, aiming to encourage it to infer complete object shapes. Lastly, to better exploit hard targets, we design an ODIoU loss to supervise the student with constraints on the predicted box centers and orientations. Our SE-SSD attains top performance compared with all prior published works. Also, it attains top precisions for car detection in the KITTI benchmark (ranked 1st and 2nd on the BEV and 3D leaderboards, respectively) with an ultra-high inference speed. The code is available at https://github.com/Vegeta2020/SE-SSD.
• Abstract（参考訳）: 屋外点雲における高精度かつ効率的な3次元物体検出のための自己組織化単段物体検出器(SE-SSD)を提案する。 私たちの重要な焦点は、推論に余分な計算を導入することなく、モデルの共同最適化のために、厳密な制約でソフトターゲットとハードターゲットの両方を活用することです。 特に、SE-SSDには教師と学生のSSDが一組含まれており、教師からソフトターゲットをフィルタリングし、生徒の予測を整合させるために一貫性損失を定式化する効果的なIoUベースのマッチング戦略を設計する。 また,教師を指導するための蒸留知識を最大化するために,学生を訓練するための形状認識型強化サンプルを作成するための新たな拡張スキームを設計し,完全な物体形状を推し進めることを目的とした。 最後に、ハードターゲットをよりうまく活用するために、予測されたボックスセンターと配向に制約のある学生を監督するために、ODIoU損失を設計する。 当社のSE-SSDは、以前のすべての作品と比較して最高のパフォーマンスを実現しています。 また、kittiベンチマーク(それぞれbevと3dリーダーボードで第1位と第2位)における車検出の最高精度を超高速で達成する。 コードはhttps://github.com/Vegeta2020/SE-SSDで入手できる。

関連論文リスト

• Cross-Architecture Auxiliary Feature Space Translation for Efficient Few-Shot Personalized Object Detection [28.06000586370357]
  我々はAuXFTと呼ばれるインスタンスレベルのパーソナライズされたオブジェクト検出戦略を提案する。 その結果,AuXFTは推定時間のわずか32%で上界80%に到達した。 我々は、IPODタスク用に設計された3つの公開データセットと1つの社内ベンチマークでAuXFTを検証する。
  論文  参考訳（メタデータ） (2024-07-01T11:33:53Z)
• Follow the Soldiers with Optimized Single-Shot Multibox Detection and Reinforcement Learning [0.0]
  私たちはDeepRacerを使って自律的なシステムを構築し、特定の人物(私たちのプロジェクト、兵士)がどんな方向に動いても追跡します。 このプロジェクトを達成するための2つの主要なコンポーネントは、最適化されたシングルショットマルチボックス検出(SSD)オブジェクト検出モデルと強化学習(RL)モデルである。 実験の結果,SSD Liteはこれらの3つの技術の中で優れた性能を示し,精度を損なうことなく,推論速度(2～3倍)を大幅に向上させることがわかった。
  論文  参考訳（メタデータ） (2023-08-02T19:08:57Z)
• SOOD: Towards Semi-Supervised Oriented Object Detection [57.05141794402972]
  本稿では, 主流の擬似ラベリングフレームワーク上に構築された, SOOD と呼ばれる, 半教師付きオブジェクト指向物体検出モデルを提案する。 提案した2つの損失をトレーニングした場合,SOODはDOTA-v1.5ベンチマークの様々な設定下で,最先端のSSOD法を超越することを示した。
  論文  参考訳（メタデータ） (2023-04-10T11:10:42Z)
• Hierarchical Supervision and Shuffle Data Augmentation for 3D Semi-Supervised Object Detection [90.32180043449263]
  最先端の3Dオブジェクト検出器は通常、高品質な3Dアノテーションを備えた大規模データセットで訓練される。 自然な治療法は、限られた量のラベル付きサンプルと豊富なラベル付きサンプルを活用することで、半教師付き学習(SSL)を採用することである。 本稿では,HSSDA(Hierarchical Supervision and Shuffle Data Augmentation)の新たなアプローチを提案する。
  論文  参考訳（メタデータ） (2023-04-04T02:09:32Z)
• Focus on Your Target: A Dual Teacher-Student Framework for Domain-adaptive Semantic Segmentation [210.46684938698485]
  意味的セグメンテーションのための教師なしドメイン適応(UDA)について検討する。 対象領域からのトレーニングサンプルの割合を減少・増加させることで,「学習能力」が強化・弱まることがわかった。 本稿では,DTS(Double teacher-student)フレームワークを提案し,双方向学習戦略を取り入れた。
  論文  参考訳（メタデータ） (2023-03-16T05:04:10Z)
• Attention-Based Depth Distillation with 3D-Aware Positional Encoding for Monocular 3D Object Detection [10.84784828447741]
  ADDは、3D対応の位置符号化を備えた注意に基づく深度知識蒸留フレームワークである。 教師の設計によると、私たちのフレームワークはシームレスで、ドメインギャップフリーで、実装が容易で、オブジェクト指向の地層深度と互換性があります。 我々は,3つの代表的な単分子検出器上でのフレームワークを実装し,予測計算コストの増大を伴わず,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2022-11-30T06:39:25Z)
• Open-Set Semi-Supervised Learning for 3D Point Cloud Understanding [62.17020485045456]
  半教師付き学習(SSL)では、ラベル付きデータと同じ分布からラベル付きデータが引き出されることが一般的である。 サンプル重み付けによりラベルなしデータを選択的に活用することを提案する。
  論文  参考訳（メタデータ） (2022-05-02T16:09:17Z)
• Not All Points Are Equal: Learning Highly Efficient Point-based Detectors for 3D LiDAR Point Clouds [29.762645632148097]
  IA-SSDと呼ばれる高効率単段点ベース3D検出器を提案する。 学習可能な,タスク指向の,インスタンス対応の2つのダウンサンプリング戦略を利用して,前景点を階層的に選択する。 いくつかの大規模検出ベンチマークで行った実験は、IA-SSDの競合性能を示している。
  論文  参考訳（メタデータ） (2022-03-21T17:14:02Z)
• CIA-SSD: Confident IoU-Aware Single-Stage Object Detector From Point Cloud [40.871850077528485]
  我々は、CIA-SSD(Confident IoU-Aware Single-Stage Object Detector)と呼ばれる新しい単段検出器を提案する。 CIA-SSDは、境界ボックスの正確な予測と分類信頼性のために、高レベルの抽象的特徴と低レベルの空間的特徴を適応的に融合する。 公式ランキングでトップパフォーマンスを記録し、32 FPSの推論速度を上回ります。
  論文  参考訳（メタデータ） (2020-12-05T12:00:08Z)
• 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。