論文の概要: Multi-Class 3D Object Detection with Single-Class Supervision
- arxiv url: http://arxiv.org/abs/2205.05703v1
- Date: Wed, 11 May 2022 18:00:05 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-13 14:24:47.289235
- Title: Multi-Class 3D Object Detection with Single-Class Supervision
- Title(参考訳): 単一クラス監視によるマルチクラス3dオブジェクト検出
- Authors: Mao Ye, Chenxi Liu, Maoqing Yao, Weiyue Wang, Zhaoqi Leng, Charles R.
Qi, Dragomir Anguelov
- Abstract要約: 完全なラベル付きデータセットによるマルチクラスの3D検出器のトレーニングは費用がかかる。
別のアプローチとして、解離したデータサンプルに単一クラスラベルをターゲットとする方法がある。
本稿では,単一クラスラベル付きデータを用いて,マルチクラス3次元オブジェクト検出モデルの学習に関心がある。
- 参考スコア(独自算出の注目度): 34.216636233945856
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: While multi-class 3D detectors are needed in many robotics applications,
training them with fully labeled datasets can be expensive in labeling cost. An
alternative approach is to have targeted single-class labels on disjoint data
samples. In this paper, we are interested in training a multi-class 3D object
detection model, while using these single-class labeled data. We begin by
detailing the unique stance of our "Single-Class Supervision" (SCS) setting
with respect to related concepts such as partial supervision and semi
supervision. Then, based on the case study of training the multi-class version
of Range Sparse Net (RSN), we adapt a spectrum of algorithms -- from supervised
learning to pseudo-labeling -- to fully exploit the properties of our SCS
setting, and perform extensive ablation studies to identify the most effective
algorithm and practice. Empirical experiments on the Waymo Open Dataset show
that proper training under SCS can approach or match full supervision training
while saving labeling costs.
- Abstract(参考訳): 多くのロボティクスアプリケーションでは、マルチクラスの3D検出器が必要であるが、完全なラベル付きデータセットによるトレーニングは、ラベル付けコストがかかる可能性がある。
別のアプローチとして、非結合データサンプルに単一クラスラベルをターゲットとするものがある。
本稿では,これらの単一クラスラベル付きデータを用いて,マルチクラス3Dオブジェクト検出モデルのトレーニングに関心がある。
まず、部分監督や半監督といった関連する概念に関して、Single-Class Supervision(SCS)の設定のユニークなスタンスを詳述することから始める。
次に,マルチクラスバージョンのレンジスパースネット(rsn)をトレーニングするケーススタディに基づいて,教師付き学習から疑似ラベル付けまで,アルゴリズムのスペクトルを適応させ,scs設定の特性を十分に活用し,最も効果的なアルゴリズムと実践を特定するために広範なアブレーション研究を行う。
Waymo Open Datasetでの実証実験は、SCSの下での適切なトレーニングが、ラベルのコストを節約しながら、完全な監視トレーニングに近づいたり、マッチしたりできることを示している。
関連論文リスト
- Dual-Perspective Knowledge Enrichment for Semi-Supervised 3D Object
Detection [55.210991151015534]
本稿では, DPKE という新しい2次元知識豊か化手法を提案する。
我々のDPKEは、データパースペクティブと機能パースペクティブという2つの観点から、限られたトレーニングデータ、特にラベルなしデータの知識を豊かにしています。
論文 参考訳(メタデータ) (2024-01-10T08:56:07Z) - Uni3D: A Unified Baseline for Multi-dataset 3D Object Detection [34.2238222373818]
現在の3Dオブジェクト検出モデルは、単一のデータセット固有のトレーニングとテストのパラダイムに従っている。
本稿では,複数のデータセットから統合された3次元検出器を訓練する作業について検討する。
単純なデータレベルの修正操作と設計された意味レベルの結合・再結合モジュールを利用するUni3Dを提案する。
論文 参考訳(メタデータ) (2023-03-13T05:54:13Z) - LESS: Label-Efficient Semantic Segmentation for LiDAR Point Clouds [62.49198183539889]
我々は,LiDAR点雲を用いた屋外シーンのためのラベル効率のよいセマンティックセマンティックセマンティクスパイプラインを提案する。
本手法は,半弱教師付き学習を用いて,効率的なラベリング手法を設計する。
提案手法は,100%ラベル付き完全教師付き手法と比較して,さらに競争力が高い。
論文 参考訳(メタデータ) (2022-10-14T19:13:36Z) - Open-Set Semi-Supervised Learning for 3D Point Cloud Understanding [62.17020485045456]
半教師付き学習(SSL)では、ラベル付きデータと同じ分布からラベル付きデータが引き出されることが一般的である。
サンプル重み付けによりラベルなしデータを選択的に活用することを提案する。
論文 参考訳(メタデータ) (2022-05-02T16:09:17Z) - ColloSSL: Collaborative Self-Supervised Learning for Human Activity
Recognition [9.652822438412903]
堅牢なヒューマンアクティビティ認識モデル(HAR)のトレーニングにおける大きなボトルネックは、大規模ラベル付きセンサーデータセットの必要性である。
大量のセンサデータをラベル付けすることは高価な作業であるため、教師なしおよび半教師なしの学習技術が出現している。
複数のデバイスから収集されたラベルのないデータを活用するコラボレーティブ・セルフスーパーバイズ・ラーニング(ColloSSL)と呼ばれる新しい手法を提案する。
論文 参考訳(メタデータ) (2022-02-01T21:05:05Z) - 3D Spatial Recognition without Spatially Labeled 3D [127.6254240158249]
Weakly-supervised framework for Point cloud Recognitionを紹介する。
We show that WyPR can detected and segment objects in point cloud data without access any space labels at training time。
論文 参考訳(メタデータ) (2021-05-13T17:58:07Z) - Few-Shot Named Entity Recognition: A Comprehensive Study [92.40991050806544]
マルチショット設定のモデル一般化能力を向上させるための3つの手法を検討する。
ラベル付きデータの比率の異なる10の公開nerデータセットについて経験的比較を行う。
マルチショットとトレーニングフリーの両方の設定で最新の結果を作成します。
論文 参考訳(メタデータ) (2020-12-29T23:43:16Z) - UniT: Unified Knowledge Transfer for Any-shot Object Detection and
Segmentation [52.487469544343305]
オブジェクト検出とセグメンテーションの方法は、トレーニングのための大規模インスタンスレベルのアノテーションに依存します。
本稿では,直感的かつ統一的な半教師付きモデルを提案する。
論文 参考訳(メタデータ) (2020-06-12T22:45:47Z)
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。