論文の概要: Unsupervised Domain Adaptation for LiDAR Panoptic Segmentation
- arxiv url: http://arxiv.org/abs/2109.15286v1
- Date: Thu, 30 Sep 2021 17:30:43 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-01 14:40:57.106624
- Title: Unsupervised Domain Adaptation for LiDAR Panoptic Segmentation
- Title（参考訳）: LiDARパノプティブセグメンテーションのための教師なしドメイン適応
- Authors: Borna Be\v{s}i\'c, Nikhil Gosala, Daniele Cattaneo, and Abhinav Valada
- Abstract要約: このドメインギャップを埋めるためには、教師なしのドメイン適応(UDA)技術が不可欠です。
We propose AdaptLPS, a novel UDA approach for LiDAR panoptic segmentation。
以上の結果から,AdaptLPSはPQスコアにおいて,既存のUDAアプローチよりも最大6.41pp高い性能を示した。
- 参考スコア（独自算出の注目度）: 5.745037250837124
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Scene understanding is a pivotal task for autonomous vehicles to safely
navigate in the environment. Recent advances in deep learning enable accurate
semantic reconstruction of the surroundings from LiDAR data. However, these
models encounter a large domain gap while deploying them on vehicles equipped
with different LiDAR setups which drastically decreases their performance.
Fine-tuning the model for every new setup is infeasible due to the expensive
and cumbersome process of recording and manually labeling new data.
Unsupervised Domain Adaptation (UDA) techniques are thus essential to fill this
domain gap and retain the performance of models on new sensor setups without
the need for additional data labeling. In this paper, we propose AdaptLPS, a
novel UDA approach for LiDAR panoptic segmentation that leverages task-specific
knowledge and accounts for variation in the number of scan lines, mounting
position, intensity distribution, and environmental conditions. We tackle the
UDA task by employing two complementary domain adaptation strategies,
data-based and model-based. While data-based adaptations reduce the domain gap
by processing the raw LiDAR scans to resemble the scans in the target domain,
model-based techniques guide the network in extracting features that are
representative for both domains. Extensive evaluations on three pairs of
real-world autonomous driving datasets demonstrate that AdaptLPS outperforms
existing UDA approaches by up to 6.41 pp in terms of the PQ score.
- Abstract（参考訳）: シーン理解は、自動運転車が安全に環境をナビゲートするための重要なタスクである。
ディープラーニングの最近の進歩は、LiDARデータから環境の正確なセマンティック再構築を可能にする。
しかし、これらのモデルは、異なるLiDARセットアップを備えた車両に配置しながら大きなドメインギャップに直面するため、性能が劇的に低下する。
新しい設定ごとにモデルを微調整することは、新しいデータを記録し手動でラベル付けする、高価で面倒なプロセスのために実現できない。
したがって、このドメインギャップを埋め、追加のデータラベリングを必要とせずに、新しいセンサー設定でモデルの性能を維持するために、教師なしのドメイン適応(UDA)技術が不可欠である。
本稿では,タスク固有の知識を活用し,スキャンライン数,取付位置,強度分布,環境条件の変動を考慮した,LiDARパン光学セグメンテーションのための新しいUDAアプローチであるAdaptLPSを提案する。
データベースとモデルベースという2つの補完的なドメイン適応戦略を採用することで、UDAタスクに取り組む。
データベースの適応は、生のLiDARスキャンを対象ドメインのスキャンに類似させることによってドメインギャップを減らすが、モデルベースの手法は、両方のドメインに代表される特徴を抽出するネットワークを導く。
3組の現実の自律走行データセットに対する大規模な評価は、AdaptLPSがPQスコアの点で既存のUDAアプローチより6.41ppも優れていることを示している。
関連論文リスト
- Syn-to-Real Unsupervised Domain Adaptation for Indoor 3D Object Detection [50.448520056844885]
室内3次元物体検出における非教師なし領域適応のための新しいフレームワークを提案する。
合成データセット3D-FRONTから実世界のデータセットScanNetV2とSUN RGB-Dへの適応結果は、ソースオンリーベースラインよりも9.7%、9.1%のmAP25が顕著に改善されていることを示している。
論文 参考訳（メタデータ） (2024-06-17T08:18:41Z) - CMDA: Cross-Modal and Domain Adversarial Adaptation for LiDAR-Based 3D
Object Detection [14.063365469339812]
LiDARベースの3Dオブジェクト検出法は、ソース(またはトレーニング)データ配布の外部のターゲットドメインにうまく一般化しないことが多い。
画像のモダリティから視覚的セマンティックキューを活用する,CMDA (unsupervised domain adaptation) と呼ばれる新しい手法を提案する。
また、自己学習に基づく学習戦略を導入し、モデルが逆向きに訓練され、ドメイン不変の機能を生成する。
論文 参考訳（メタデータ） (2024-03-06T14:12:38Z) - Divide and Adapt: Active Domain Adaptation via Customized Learning [56.79144758380419]
対象インスタンスを成層化可能な4つのカテゴリに分割する新しいADAフレームワークであるDiaNA(Divide-and-Adapt)を提案する。
不確実性とドメイン性に基づく新しいデータ分割プロトコルにより、DiaNAは最も有利なサンプルを正確に認識することができる。
の精神のおかげで、DiaNAはドメインギャップの大きなバリエーションでデータを処理できる。
論文 参考訳（メタデータ） (2023-07-21T14:37:17Z) - Enhancing Visual Domain Adaptation with Source Preparation [5.287588907230967]
ドメイン適応技術は、ソースドメイン自体の特性を考慮できません。
本稿では,ソース領域バイアスを軽減する手法であるソース準備(SP)を提案する。
また,ベースライン上のmIoUでは最大40.64%の改善が見られた。
論文 参考訳（メタデータ） (2023-06-16T18:56:44Z) - 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) - Stagewise Unsupervised Domain Adaptation with Adversarial Self-Training
for Road Segmentation of Remote Sensing Images [93.50240389540252]
リモートセンシング画像からの道路セグメンテーションは、幅広い応用可能性を持つ課題である。
本稿では,この領域における領域シフト(DS)問題に対処するため,RoadDAと呼ばれる新たな段階的ドメイン適応モデルを提案する。
2つのベンチマーク実験の結果、RoadDAはドメインギャップを効率的に減らし、最先端の手法より優れていることが示された。
論文 参考訳（メタデータ） (2021-08-28T09:29:14Z) - Unsupervised Domain Adaptation in LiDAR Semantic Segmentation with
Self-Supervision and Gated Adapters [13.744866002650076]
本稿では、ラベルのない対象ドメインデータを自己監督のために活用する、教師なしドメイン適応フレームワークを提案する。
実-実-実-実-実-実-合成-実-実-実-実-実のLiDARセマンティックセグメンテーションベンチマークから適用した実験は、先行技術よりも大幅に改善されたことを示している。
論文 参考訳（メタデータ） (2021-07-20T21:57:18Z) - ePointDA: An End-to-End Simulation-to-Real Domain Adaptation Framework
for LiDAR Point Cloud Segmentation [111.56730703473411]
LiDARデータ上でディープニューラルネットワーク(DNN)をトレーニングするには、大規模なポイントワイドアノテーションが必要である。
シミュレーション・トゥ・リアル・ドメイン適応(SRDA)は、DNNを無制限の合成データと自動生成されたラベルで訓練する。
ePointDAは、自己教師付きドロップアウトノイズレンダリング、統計不変および空間適応型特徴アライメント、転送可能なセグメンテーション学習の3つのモジュールで構成されている。
論文 参考訳（メタデータ） (2020-09-07T23:46:08Z) - Supervised Domain Adaptation using Graph Embedding [86.3361797111839]
領域適応法は、2つの領域間の分布がシフトし、それを認識しようとすると仮定する。
グラフ埋め込みに基づく汎用フレームワークを提案する。
提案手法が強力なドメイン適応フレームワークにつながることを示す。
論文 参考訳（メタデータ） (2020-03-09T12:25:13Z)
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。