論文の概要: ST3D++: Denoised Self-training for Unsupervised Domain Adaptation on 3D Object Detection

• arxiv url: http://arxiv.org/abs/2108.06682v1
• Date: Sun, 15 Aug 2021 07:49:06 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-18 04:06:26.441867
• Title: ST3D++: Denoised Self-training for Unsupervised Domain Adaptation on 3D Object Detection
• Title（参考訳）: ST3D++: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自己学習
• Authors: Jihan Yang, Shaoshuai Shi, Zhe Wang, Hongsheng Li, Xiaojuan Qi
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 78.71826145162092
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this paper, we present a self-training method, named ST3D++, with a holistic pseudo label denoising pipeline for unsupervised domain adaptation on 3D object detection. ST3D++ aims at reducing noise in pseudo label generation as well as alleviating the negative impacts of noisy pseudo labels on model training. First, ST3D++ pre-trains the 3D object detector on the labeled source domain with random object scaling (ROS) which is designed to reduce target domain pseudo label noise arising from object scale bias of the source domain. Then, the detector is progressively improved through alternating between generating pseudo labels and training the object detector with pseudo-labeled target domain data. Here, we equip the pseudo label generation process with a hybrid quality-aware triplet memory to improve the quality and stability of generated pseudo labels. Meanwhile, in the model training stage, we propose a source data assisted training strategy and a curriculum data augmentation policy to effectively rectify noisy gradient directions and avoid model over-fitting to noisy pseudo labeled data. These specific designs enable the detector to be trained on meticulously refined pseudo labeled target data with denoised training signals, and thus effectively facilitate adapting an object detector to a target domain without requiring annotations. Finally, our method is assessed on four 3D benchmark datasets (i.e., Waymo, KITTI, Lyft, and nuScenes) for three common categories (i.e., car, pedestrian and bicycle). ST3D++ achieves state-of-the-art performance on all evaluated settings, outperforming the corresponding baseline by a large margin (e.g., 9.6% $\sim$ 38.16% on Waymo $\rightarrow$ KITTI in terms of AP$_{\text{3D}}$), and even surpasses the fully supervised oracle results on the KITTI 3D object detection benchmark with target prior. Code will be available.
• Abstract（参考訳）: 本稿では,3次元オブジェクト検出における教師なし領域適応のための汎用的な擬似ラベル記述パイプラインを備えた,ST3D++という自己学習手法を提案する。 ST3D++は、擬似ラベル生成におけるノイズの低減と、擬似ラベルがモデルトレーニングに負の影響を軽減することを目的としている。 まず、ST3D++は、ソースドメインのオブジェクトスケールバイアスに起因するターゲットドメインの擬似ラベルノイズを低減するために、ランダムオブジェクトスケーリング(ROS)を用いてラベル付きソースドメイン上の3Dオブジェクト検出器を事前トレーニングする。 そして、擬似ラベルの生成と擬似ラベル付き対象ドメインデータによる対象検出器の訓練の交互化により、段階的に検出器を改良する。 本稿では,擬似ラベル生成プロセスにハイブリッド品質認識トリプルトメモリを適用し,生成する擬似ラベルの品質と安定性を向上させる。 一方, モデル学習段階では, 音源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し, 雑音下勾配方向を効果的に修正し, 雑音下擬似ラベルデータへの過剰フィッティングを回避した。 これらの特定の設計により、ディテクターは、厳密に洗練された擬似ラベル付きターゲットデータに対して、識別されたトレーニング信号で訓練することができ、アノテーションを必要とせずに、対象ドメインへのオブジェクト検出器の適応を効果的に行うことができる。 最後に,3つの共通カテゴリ(車,歩行者,自転車)について,Waymo,KITTI,Lyft,nuScenesの4つのベンチマークデータセットを用いて評価を行った。 ST3D++は評価されたすべての設定で最先端のパフォーマンスを達成し、対応するベースラインを大きなマージン(例えば9.6%$\sim$ 38.16% on Waymo $\rightarrow$ KITTI in the terms of AP$_{\text{3D}}$)で上回る。 コードは利用可能だ。

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)
• Revisiting Domain-Adaptive 3D Object Detection by Reliable, Diverse and Class-balanced Pseudo-Labeling [38.07637524378327]
  ドメイン適応型3Dオブジェクト検出において,疑似ラベリング技術を用いた教師なしドメイン適応(DA)が重要なアプローチとして浮上している。 既存のDAメソッドは、マルチクラスのトレーニング環境に適用した場合、パフォーマンスが大幅に低下する。 本稿では,すべてのクラスを一度に検出する学習に適した新しいReDBフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-07-16T04:34:11Z)
• 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)
• 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)
• 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)
• 3DIoUMatch: Leveraging IoU Prediction for Semi-Supervised 3D Object Detection [76.42897462051067]
  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。
  論文  参考訳（メタデータ） (2020-12-08T11:06:26Z)

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。