論文の概要: Back to Reality: Weakly-supervised 3D Object Detection with Shape-guided Label Enhancement

• arxiv url: http://arxiv.org/abs/2203.05238v1
• Date: Thu, 10 Mar 2022 08:51:32 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-11 13:14:51.850570
• Title: Back to Reality: Weakly-supervised 3D Object Detection with Shape-guided Label Enhancement
• Title（参考訳）: back to reality: shape-guided label enhancementによる弱い教師付き3dオブジェクト検出
• Authors: Xiuwei Xu, Yifan Wang, Yu Zheng, Yongming Rao, Jiwen Lu, Jie Zhou
• Abstract要約: 本研究では,3次元物体検出のための弱教師付きアプローチを提案する。 我々の手法、すなわちBack to Reality (BR)は、弱いラベルを完全な注釈付き仮想シーンに変換するために合成された3D形状を利用する。 ラベル付け作業の5%未満で、広く使用されているScanNetデータセットに対して、一般的なフル教師付きアプローチを用いて、同等な検出性能を達成する。
• 参考スコア（独自算出の注目度）: 93.77156425817178
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper, we propose a weakly-supervised approach for 3D object detection, which makes it possible to train strong 3D detector with position-level annotations (i.e. annotations of object centers). In order to remedy the information loss from box annotations to centers, our method, namely Back to Reality (BR), makes use of synthetic 3D shapes to convert the weak labels into fully-annotated virtual scenes as stronger supervision, and in turn utilizes the perfect virtual labels to complement and refine the real labels. Specifically, we first assemble 3D shapes into physically reasonable virtual scenes according to the coarse scene layout extracted from position-level annotations. Then we go back to reality by applying a virtual-to-real domain adaptation method, which refine the weak labels and additionally supervise the training of detector with the virtual scenes. Furthermore, we propose a more challenging benckmark for indoor 3D object detection with more diversity in object sizes to better show the potential of BR. With less than 5% of the labeling labor, we achieve comparable detection performance with some popular fully-supervised approaches on the widely used ScanNet dataset. Code is available at: https://github.com/xuxw98/BackToReality
• Abstract（参考訳）: 本稿では,3次元オブジェクト検出のための弱教師付きアプローチを提案する。これにより,位置レベルのアノテーション(オブジェクト中心のアノテーション)を用いて,強力な3次元検出器を訓練することができる。 ボックスアノテーションからセンターへの情報損失を改善するため,我々の手法であるBack to Reality (BR)は,弱いラベルを完全な注釈付き仮想シーンに変換するための合成3D形状を用いて,真のラベルを補完・洗練するために,完全な仮想ラベルを利用する。 具体的には,まず位置レベルのアノテーションから抽出した粗いシーンレイアウトに従って,物理的に妥当な仮想シーンに3d形状を組み立てる。 次に、弱いラベルを洗練し、仮想シーンで検出器のトレーニングを監督する仮想から現実へのドメイン適応手法を適用することで現実に戻る。 さらに, 室内3次元物体検出において, BRの可能性をよりよく示すために, より多彩なオブジェクトサイズでより困難なベノックマークを提案する。 ラベル付け作業の5%未満で、広く使用されているscannetデータセット上の一般的な完全教師付きアプローチと同等の検出性能を達成しています。 コードは、https://github.com/xuxw98/BackToRealityで入手できる。

関連論文リスト

• VSRD: Instance-Aware Volumetric Silhouette Rendering for Weakly Supervised 3D Object Detection [11.061100776969383]
  モノクロ3Dオブジェクト検出は3Dシーン理解において重要な課題となる。 既存の手法は、豊富な3Dラベルを用いた教師あり学習に大きく依存している。 本稿では,VSRDという3次元オブジェクト検出フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-03-29T20:43:55Z)
• Point-DETR3D: Leveraging Imagery Data with Spatial Point Prior for Weakly Semi-supervised 3D Object Detection [32.86369670395974]
  本稿では,弱半教師付き3D検出のための教師支援フレームワークであるPoint-DETR3Dを紹介する。 ラベル付きデータの5%しか持たないPoint-DETR3Dは、完全な教師付きデータのパフォーマンスを90%以上達成している。
  論文  参考訳（メタデータ） (2024-03-22T16:11:29Z)
• Weakly Supervised 3D Object Detection via Multi-Level Visual Guidance [72.6809373191638]
  本稿では,3次元ラベルを必要とせずに2次元ドメインと3次元ドメイン間の制約を活用できるフレームワークを提案する。 具体的には、LiDARと画像特徴をオブジェクト認識領域に基づいて整列する特徴レベルの制約を設計する。 第二に、出力レベルの制約は、2Dと投影された3Dボックスの推定の重なりを強制するために開発される。 第3に、トレーニングレベルの制約は、視覚データと整合した正確で一貫した3D擬似ラベルを生成することによって利用される。
  論文  参考訳（メタデータ） (2023-12-12T18:57:25Z)
• Weakly Supervised 3D Object Detection with Multi-Stage Generalization [62.96670547848691]
  擬似ラベル生成と多段階一般化を含むBA$2$-Detを導入する。 一般化の3つの段階、完全から部分へ、静的から動的へ、そして遠い距離へ進む。 BA$2$-Detは、KITTIデータセットの20%の相対的な改善を達成できる。
  論文  参考訳（メタデータ） (2023-06-08T17:58:57Z)
• CMR3D: Contextualized Multi-Stage Refinement for 3D Object Detection [57.44434974289945]
  本稿では,3次元オブジェクト検出(CMR3D)フレームワークのためのコンテキスト型マルチステージリファインメントを提案する。 我々のフレームワークは3Dシーンを入力として取り、シーンの有用なコンテキスト情報を明示的に統合しようと試みている。 3Dオブジェクトの検出に加えて,3Dオブジェクトカウント問題に対するフレームワークの有効性について検討する。
  論文  参考訳（メタデータ） (2022-09-13T05:26:09Z)
• 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)
• Learning Monocular 3D Vehicle Detection without 3D Bounding Box Labels [0.09558392439655011]
  3Dオブジェクト検出器のトレーニングには、3Dバウンディングボックスラベルを持つデータセットが必要である。 本稿では,3次元境界ボックスラベルを使わずにモノラルな3次元物体検出を学習するためのネットワークアーキテクチャとトレーニング手順を提案する。 提案アルゴリズムを実世界のKITTIデータセット上で評価し,トレーニングに3Dバウンディングボックスラベルを必要とする最先端の手法と比較して有望な性能を実現する。
  論文  参考訳（メタデータ） (2020-10-07T16:24:46Z)

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。