論文の概要: GIPSO: Geometrically Informed Propagation for Online Adaptation in 3D LiDAR Segmentation

• arxiv url: http://arxiv.org/abs/2207.09763v1
• Date: Wed, 20 Jul 2022 09:06:07 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-21 12:39:14.762653
• Title: GIPSO: Geometrically Informed Propagation for Online Adaptation in 3D LiDAR Segmentation
• Title（参考訳）: GIPSO:3次元LiDARセグメントにおけるオンライン適応のための幾何学的インフォームドプロパゲーション
• Authors: Cristiano Saltori, Evgeny Krivosheev, St\'ephane Lathuili\`ere, Nicu Sebe, Fabio Galasso, Giuseppe Fiameni, Elisa Ricci, Fabio Poiesi
• Abstract要約: 3Dポイントクラウドセマンティックセグメンテーションは、自動運転に基本である。 文学におけるほとんどのアプローチは、動的シーンを扱う際に、ドメインシフトをどのように扱うかという重要な側面を無視している。 本稿では,本研究分野における最先端技術について述べる。
• 参考スコア（独自算出の注目度）: 60.07812405063708
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: 3D point cloud semantic segmentation is fundamental for autonomous driving. Most approaches in the literature neglect an important aspect, i.e., how to deal with domain shift when handling dynamic scenes. This can significantly hinder the navigation capabilities of self-driving vehicles. This paper advances the state of the art in this research field. Our first contribution consists in analysing a new unexplored scenario in point cloud segmentation, namely Source-Free Online Unsupervised Domain Adaptation (SF-OUDA). We experimentally show that state-of-the-art methods have a rather limited ability to adapt pre-trained deep network models to unseen domains in an online manner. Our second contribution is an approach that relies on adaptive self-training and geometric-feature propagation to adapt a pre-trained source model online without requiring either source data or target labels. Our third contribution is to study SF-OUDA in a challenging setup where source data is synthetic and target data is point clouds captured in the real world. We use the recent SynLiDAR dataset as a synthetic source and introduce two new synthetic (source) datasets, which can stimulate future synthetic-to-real autonomous driving research. Our experiments show the effectiveness of our segmentation approach on thousands of real-world point clouds. Code and synthetic datasets are available at https://github.com/saltoricristiano/gipso-sfouda.
• Abstract（参考訳）: 3dポイントクラウドセマンティクスセグメンテーションは、自動運転の基盤である。 文学におけるほとんどのアプローチは重要な側面、すなわち動的シーンを扱う際にドメインシフトを扱う方法を無視している。 これは自動運転車のナビゲーション能力を著しく損なう可能性がある。 本稿では,この研究分野における技術の現状について述べる。 最初のコントリビューションは、ポイントクラウドセグメンテーション、すなわちSource-Free Online Unsupervised Domain Adaptation (SF-OUDA)における新しい未探索シナリオの分析です。 最先端の手法は,事前学習された深層ネットワークモデルを,オンラインの方法で未知のドメインに適応させる能力がかなり限られていることが実験的に示されている。 第2の貢献は、適応的な自己学習と幾何学的特徴の伝播によって、ソースデータやターゲットラベルを必要とせずに、事前学習されたソースモデルをオンラインに適応させるアプローチです。 第3の貢献は、ソースデータが合成され、ターゲットデータが実世界でキャプチャされたポイントクラウドである、難しいセットアップでsf-oudaを研究することです。 我々は、最近のSynLiDARデータセットを合成ソースとして使用し、2つの新しい合成(ソース)データセットを導入し、将来の合成から現実の自律運転研究を刺激する。 我々の実験は、何千もの実世界の点雲に対するセグメンテーションアプローチの有効性を示した。 コードと合成データセットはhttps://github.com/saltoricristiano/gipso-sfoudaで入手できる。

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)
• From Synthetic to Real: Unveiling the Power of Synthetic Data for Video Person Re-ID [15.81210364737776]
  クロスドメインビデオに基づく人物再識別(Re-ID)の新たな課題について検討する。 合成ビデオデータセットをトレーニングのソースドメインとし、実世界のビデオを使ってテストする。 クロスドメイン設定における実際のデータよりも、合成データがより優れていることに驚きます。
  論文  参考訳（メタデータ） (2024-02-03T10:19:21Z)
• Compositional Semantic Mix for Domain Adaptation in Point Cloud Segmentation [65.78246406460305]
  合成意味混合は、ポイントクラウドセグメンテーションのための最初の教師なし領域適応技術である。 本稿では、ソースドメイン(例えば合成)からの点雲とターゲットドメイン(例えば実世界)からの点雲を同時に処理できる2分岐対称ネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2023-08-28T14:43:36Z)
• A New Benchmark: On the Utility of Synthetic Data with Blender for Bare Supervised Learning and Downstream Domain Adaptation [42.2398858786125]
  コンピュータビジョンにおけるディープラーニングは、大規模ラベル付きトレーニングデータの価格で大きな成功を収めた。 制御不能なデータ収集プロセスは、望ましくない重複が存在する可能性のある非IIDトレーニングおよびテストデータを生成する。 これを回避するために、ドメインランダム化による3Dレンダリングによる合成データを生成する方法がある。
  論文  参考訳（メタデータ） (2023-03-16T09:03:52Z)
• Domain Adaptation of Synthetic Driving Datasets for Real-World Autonomous Driving [0.11470070927586014]
  特定のコンピュータビジョンタスクのための合成データで訓練されたネットワークは、実世界のデータでテストすると大幅に劣化する。 本稿では,このような手法を改良するための新しい手法を提案し,評価する。 本稿では,このペア選択にセマンティック・インスペクションを効果的に組み込む手法を提案し,モデルの性能向上に寄与する。
  論文  参考訳（メタデータ） (2023-02-08T15:51:54Z)
• Deformation and Correspondence Aware Unsupervised Synthetic-to-Real Scene Flow Estimation for Point Clouds [43.792032657561236]
  我々はGTA-Vエンジンのためのポイントクラウドコレクタとシーンフローアノテータを開発し、人間の介入なしに多様なトレーニングサンプルを自動的に取得する。 対象ドメインの擬似ラベルを自己生成する平均教師型ドメイン適応フレームワークを提案する。 本フレームワークは、6つのソースターゲットデータセットペアに対して優れた適応性を実現し、平均的なドメインギャップを60%削減する。
  論文  参考訳（メタデータ） (2022-03-31T09:03:23Z)
• Towards Optimal Strategies for Training Self-Driving Perception Models in Simulation [98.51313127382937]
  合成ドメインのみにおけるラベルの使用に焦点を当てる。 提案手法では,ニューラル不変表現の学習方法と,シミュレータからデータをサンプリングする方法に関する理論的にインスピレーションを得た視点を導入する。 マルチセンサーデータを用いた鳥眼視車両分割作業におけるアプローチについて紹介する。
  論文  参考訳（メタデータ） (2021-11-15T18:37:43Z)
• Unsupervised Domain Adaptive Learning via Synthetic Data for Person Re-identification [101.1886788396803]
  人物再識別(re-ID)は、ビデオ監視に広く応用されているため、ますます注目を集めている。 残念なことに、主流のディープラーニング手法では、モデルをトレーニングするために大量のラベル付きデータが必要です。 本稿では,コンピュータゲーム内で合成されたre-IDサンプルを自動的に生成するデータコレクタを開発し,同時にアノテートするデータラベラを構築した。
  論文  参考訳（メタデータ） (2021-09-12T15:51:41Z)
• 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)

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。