論文の概要: Attentive Prototypes for Source-free Unsupervised Domain Adaptive 3D Object Detection

• arxiv url: http://arxiv.org/abs/2111.15656v2
• Date: Wed, 1 Dec 2021 16:28:20 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-02 13:24:35.362908
• Title: Attentive Prototypes for Source-free Unsupervised Domain Adaptive 3D Object Detection
• Title（参考訳）: 無ソース非教師なし3次元物体検出のための注意型プロトタイプ
• Authors: Deepti Hegde and Vishal M. Patel
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 85.11649974840758
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: 3D object detection networks tend to be biased towards the data they are trained on. Evaluation on datasets captured in different locations, conditions or sensors than that of the training (source) data results in a drop in model performance due to the gap in distribution with the test (or target) data. Current methods for domain adaptation either assume access to source data during training, which may not be available due to privacy or memory concerns, or require a sequence of lidar frames as an input. We propose a single-frame approach for source-free, unsupervised domain adaptation of lidar-based 3D object detectors that uses class prototypes to mitigate the effect pseudo-label noise. Addressing the limitations of traditional feature aggregation methods for prototype computation in the presence of noisy labels, we utilize a transformer module to identify outlier ROI's that correspond to incorrect, over-confident annotations, and compute an attentive class prototype. Under an iterative training strategy, the losses associated with noisy pseudo labels are down-weighed and thus refined in the process of self-training. To validate the effectiveness of our proposed approach, we examine the domain shift associated with networks trained on large, label-rich datasets (such as the Waymo Open Dataset and nuScenes) and evaluate on smaller, label-poor datasets (such as KITTI) and vice-versa. We demonstrate our approach on two recent object detectors and achieve results that out-perform the other domain adaptation works.
• Abstract（参考訳）: 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偏りがちである。 トレーニング(ソース)データとは異なる場所、条件、センサーでキャプチャされたデータセットの評価は、テスト(あるいはターゲット)データとの分散の欠如によるモデルパフォーマンスの低下をもたらす。 ドメイン適応の現在の方法は、プライバシやメモリ上の懸念から利用できないトレーニング中にソースデータへのアクセスを前提とするか、あるいは入力としてライダーフレームのシーケンスを必要とする。 そこで本稿では,ライダーを用いた3次元物体検出装置のソースレス・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。 ノイズラベルの存在下でのプロトタイプ計算における従来の特徴集約手法の限界に対処し,不正確で信頼度の高いアノテーションに対応する外れ値roiをトランスフォーマモジュールを用いて識別し,注意クラスプロトタイプを計算する。 反復的なトレーニング戦略では、ノイズの多い擬似ラベルに関連する損失は軽減され、自己学習の過程で洗練される。 提案手法の有効性を検証するために,ラベルが豊富な大規模データセット(waymo open dataset や nuscenes など)でトレーニングされたネットワークに関連するドメインシフトを検証し,より小さなラベルパウダーデータセット(kitti など)とvice-versaについて評価した。 我々は,最近の2つの物体検出器に対するアプローチを実証し,他の領域の適応性よりも優れる結果を得る。

関連論文リスト

• 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)
• Low-confidence Samples Matter for Domain Adaptation [47.552605279925736]
  ドメイン適応(DA)は、知識をラベルの豊富なソースドメインから関連するがラベルの少ないターゲットドメインに転送することを目的としている。 低信頼度サンプルの処理による新しいコントラスト学習法を提案する。 提案手法を教師なしと半教師付きの両方のDA設定で評価する。
  論文  参考訳（メタデータ） (2022-02-06T15:45:45Z)
• TransLog: A Unified Transformer-based Framework for Log Anomaly Detection [29.29752871868652]
  Ourmethodは、事前学習とアダプタベースのチューニングステージで構成されている。 トレーニング可能なパラメータが少なく、ターゲットドメインでのトレーニングコストも低く、私たちの単純なアプローチは、3つのベンチマークで最先端のパフォーマンスを実現しています。
  論文  参考訳（メタデータ） (2021-12-31T10:46:14Z)
• 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)
• 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)
• TraND: Transferable Neighborhood Discovery for Unsupervised Cross-domain Gait Recognition [77.77786072373942]
  本稿では、教師なしクロスドメイン歩行認識のための領域ギャップを橋渡しするTransferable Neighborhood Discovery (TraND) フレームワークを提案する。 我々は、潜在空間におけるラベルなしサンプルの自信ある近傍を自動的に発見するために、エンドツーエンドのトレーニング可能なアプローチを設計する。 提案手法は,CASIA-BとOU-LPの2つの公開データセットに対して,最先端の結果を得る。
  論文  参考訳（メタデータ） (2021-02-09T03:07:07Z)
• Source Data-absent Unsupervised Domain Adaptation through Hypothesis Transfer and Labeling Transfer [137.36099660616975]
  Unsupervised Adapt Adaptation (UDA) は、関連性のある異なるラベル付きソースドメインから新しいラベルなしターゲットドメインへの知識の転送を目標としている。 既存のudaメソッドの多くはソースデータへのアクセスを必要としており、プライバシ上の懸念からデータが機密で共有できない場合は適用できない。 本稿では、ソースデータにアクセスする代わりに、トレーニング済みの分類モデルのみを用いて現実的な設定に取り組むことを目的とする。
  論文  参考訳（メタデータ） (2020-12-14T07:28:50Z)

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。