論文の概要: DODA: Data-oriented Sim-to-Real Domain Adaptation for 3D Indoor Semantic
Segmentation
- arxiv url: http://arxiv.org/abs/2204.01599v1
- Date: Mon, 4 Apr 2022 15:52:55 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-05 13:29:04.463578
- Title: DODA: Data-oriented Sim-to-Real Domain Adaptation for 3D Indoor Semantic
Segmentation
- Title(参考訳): doda: 3次元屋内意味セグメンテーションのためのデータ指向sim-to-realドメイン適応
- Authors: Runyu Ding, Jihan Yang, Li Jiang, Xiaojuan Qi
- Abstract要約: パターンとコンテキストギャップを軽減するために,データ指向ドメイン適応(DODA)フレームワークを提案する。
我々のDODAは、仮想スキャンシミュレーションにより、現実世界の点雲パターンを模倣し、内部のコンテキストギャップを軽減するために、テール・アウェア・キューブを混合する。
我々のDODAは3D-FRONT $rightarrow$ScanNetと3D-FRONT $rightarrow$S3DISの両方で既存のUDAアプローチを13%以上上回る。
- 参考スコア(独自算出の注目度): 36.37396175140793
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep learning approaches achieve prominent success in 3D semantic
segmentation. However, collecting densely annotated real-world 3D datasets is
extremely time-consuming and expensive. Training models on synthetic data and
generalizing on real-world scenarios becomes an appealing alternative, but
unfortunately suffers from notorious domain shifts. In this work, we propose a
Data-Oriented Domain Adaptation (DODA) framework to mitigate pattern and
context gaps caused by different sensing mechanisms and layout placements
across domains. Our DODA encompasses virtual scan simulation to imitate
real-world point cloud patterns and tail-aware cuboid mixing to alleviate the
interior context gap with a cuboid-based intermediate domain. The first
unsupervised sim-to-real adaptation benchmark on 3D indoor semantic
segmentation is also built on 3D-FRONT, ScanNet and S3DIS along with 7 popular
Unsupervised Domain Adaptation (UDA) methods. Our DODA surpasses existing UDA
approaches by over 13% on both 3D-FRONT $\rightarrow$ ScanNet and 3D-FRONT
$\rightarrow$ S3DIS. Code will be available.
- Abstract(参考訳): ディープラーニングのアプローチは、3dセマンティックセグメンテーションで顕著な成功を収める。
しかし、高密度に注釈付けされた現実世界の3Dデータセットの収集は非常に時間と費用がかかる。
合成データのトレーニングモデルや実世界のシナリオの一般化は、魅力的な選択肢となるが、残念ながらドメインシフトに悩まされている。
本研究では,データ指向ドメイン適応(DODA)フレームワークを提案する。このフレームワークは,ドメイン間の異なる検知機構とレイアウト配置によって生じるパターンとコンテキストギャップを緩和する。
我々のDODAは,仮想スキャンシミュレーションを用いて,実世界の点雲パターンとテールアウェアキュービド混合を模倣し,内部のコンテキストギャップをキュービドベースの中間ドメインで緩和する。
3D屋内セマンティックセグメンテーションに関する最初の教師なしのsim-to-real適応ベンチマークは、人気のあるUnsupervised Domain Adaptation (UDA)メソッドとともに、3D-FRONT、ScanNet、S3DISにも構築されている。
我々のDODAは3D-FRONT $\rightarrow$ ScanNetと3D-FRONT $\rightarrow$ S3DISの両方で既存のUDAアプローチを13%以上上回る。
コードは利用可能だ。
関連論文リスト
- SAI3D: Segment Any Instance in 3D Scenes [72.65788433148309]
新規なゼロショット3Dインスタンスセグメンテーション手法であるSAI3Dを紹介する。
我々の手法は3Dシーンを幾何学的プリミティブに分割し、段階的に3Dインスタンスセグメンテーションにマージする。
Scan-Netとより挑戦的なScanNet++データセットに関する実証的な評価は、我々のアプローチの優位性を示している。
論文 参考訳(メタデータ) (2023-12-17T09:05:47Z) - ALSTER: A Local Spatio-Temporal Expert for Online 3D Semantic
Reconstruction [62.599588577671796]
本稿では,RGB-Dフレームのストリームから3次元セマンティックマップを段階的に再構成するオンライン3次元セマンティックセマンティックセマンティクス手法を提案する。
オフラインの手法とは異なり、ロボット工学や混合現実のようなリアルタイムな制約のあるシナリオに直接適用できます。
論文 参考訳(メタデータ) (2023-11-29T20:30:18Z) - T-UDA: Temporal Unsupervised Domain Adaptation in Sequential Point
Clouds [2.5291108878852864]
教師なしドメイン適応(UDA)メソッドは、1つの(ソース)ドメインでトレーニングされたモデルに、アノテーションが利用可能な他の(ターゲット)ドメインに適応する。
本稿では,両トレンドの長所を活かした新しい領域適応手法を提案する。この組み合わせにより,運転シーンの3次元セマンティックセマンティックセグメンテーションのタスクにおいて,大きなパフォーマンス向上が得られる。
論文 参考訳(メタデータ) (2023-09-15T10:47:12Z) - 3D Adversarial Augmentations for Robust Out-of-Domain Predictions [115.74319739738571]
ドメイン外データへの一般化の改善に注力する。
対象を逆向きに変形させるベクトルの集合を学習する。
本研究では,学習したサンプル非依存ベクトルをモデルトレーニング時に利用可能なオブジェクトに適用することにより,対数拡大を行う。
論文 参考訳(メタデータ) (2023-08-29T17:58:55Z) - 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) - Semi-supervised 3D shape segmentation with multilevel consistency and
part substitution [21.075426681857024]
本稿では,ラベル付3次元形状とラベル付3次元データの量から3次元分割を効果的に学習するための半教師付き手法を提案する。
ラベルのないデータに対して,3次元形状の摂動コピー間のネットワーク予測の整合性を確保するために,新しい多レベル整合性損失を提案する。
ラベル付きデータに対して,より構造的な変化を伴ってラベル付き3次元形状を増強し,トレーニングを強化するシンプルな部分置換法を開発した。
論文 参考訳(メタデータ) (2022-04-19T11:48:24Z) - 3D-Aware Indoor Scene Synthesis with Depth Priors [62.82867334012399]
既存の手法では、室内配置や内部の物体の多様さのため、屋内シーンのモデル化に失敗する。
室内のシーンは共通な内在構造を持たず、2次元画像のみを用いるだけでは3次元形状のモデルが適切にガイドできない。
論文 参考訳(メタデータ) (2022-02-17T09:54:29Z) - 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) - H3D: Benchmark on Semantic Segmentation of High-Resolution 3D Point
Clouds and textured Meshes from UAV LiDAR and Multi-View-Stereo [4.263987603222371]
本稿では,3つの方法でユニークな3次元データセットを提案する。
ヘシグハイム(ドイツ語: Hessigheim, H3D)は、ドイツの都市。
片手で3次元データ分析の分野での研究を促進するとともに、新しいアプローチの評価とランク付けを目的としている。
論文 参考訳(メタデータ) (2021-02-10T09:33:48Z)
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。