論文の概要: 3D-PL: Domain Adaptive Depth Estimation with 3D-aware Pseudo-Labeling

• arxiv url: http://arxiv.org/abs/2209.09231v1
• Date: Mon, 19 Sep 2022 17:54:17 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-20 18:47:34.569824
• Title: 3D-PL: Domain Adaptive Depth Estimation with 3D-aware Pseudo-Labeling
• Title（参考訳）: 3d-pl: 3d-aware pseudo-labelingによる領域適応深度推定
• Authors: Yu-Ting Yen, Chia-Ni Lu, Wei-Chen Chiu, Yi-Hsuan Tsai
• Abstract要約: 我々は,実際のデータから信頼された疑似基底真理を生成して,直接の監視を行うドメイン適応フレームワークを開発する。 具体的には,(1)画像が同一内容の異なるスタイルのときの深度予測の一貫性を計測し,(2)3次元空間における深度値の完備化を学習するポイントクラウドコンプリートネットワークを介して,擬似ラベルを認識させることにより,擬似ラベルの2つのメカニズムを提案する。
• 参考スコア（独自算出の注目度）: 37.315964084413174
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: For monocular depth estimation, acquiring ground truths for real data is not easy, and thus domain adaptation methods are commonly adopted using the supervised synthetic data. However, this may still incur a large domain gap due to the lack of supervision from the real data. In this paper, we develop a domain adaptation framework via generating reliable pseudo ground truths of depth from real data to provide direct supervisions. Specifically, we propose two mechanisms for pseudo-labeling: 1) 2D-based pseudo-labels via measuring the consistency of depth predictions when images are with the same content but different styles; 2) 3D-aware pseudo-labels via a point cloud completion network that learns to complete the depth values in the 3D space, thus providing more structural information in a scene to refine and generate more reliable pseudo-labels. In experiments, we show that our pseudo-labeling methods improve depth estimation in various settings, including the usage of stereo pairs during training. Furthermore, the proposed method performs favorably against several state-of-the-art unsupervised domain adaptation approaches in real-world datasets.
• Abstract（参考訳）: 単眼深度推定では,実データに対する基底真理の取得は容易ではなく,教師付き合成データを用いた領域適応法が一般的である。 しかし、実際のデータからの監督が欠如しているため、これは依然として大きなドメインギャップを引き起こす可能性がある。 本稿では,実データから奥行きの信頼できる疑似基底真理を生成し,直接監督を行うドメイン適応フレームワークを開発した。 具体的には、擬似ラベルの2つのメカニズムを提案する。 1) 画像が同一内容の異なるスタイルである場合の深度予測の整合性の測定による2次元擬似ラベル 2)3d対応の擬似ラベルは,3d空間の奥行き値の完成を学習するポイントクラウド補完ネットワークを介して,シーン内の構造情報を提供し,より信頼性の高い擬似ラベルを生成する。 実験では,トレーニング中のステレオペアの使用を含む様々な環境での奥行き推定を擬似ラベル法が改善することを示す。 さらに,提案手法は,実世界のデータセットにおける最先端の非教師なしドメイン適応アプローチに対して好適に機能する。

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)
• Volumetric Semantically Consistent 3D Panoptic Mapping [77.13446499924977]
  非構造環境における自律エージェントに適したセマンティック3Dマップを生成することを目的としたオンライン2次元から3次元のセマンティック・インスタンスマッピングアルゴリズムを提案する。 マッピング中にセマンティック予測の信頼性を統合し、セマンティックおよびインスタンス一貫性のある3D領域を生成する新しい方法を導入する。 提案手法は,パブリックな大規模データセット上での最先端の精度を実現し,多くの広く使用されているメトリクスを改善した。
  論文  参考訳（メタデータ） (2023-09-26T08:03:10Z)
• Density-Insensitive Unsupervised Domain Adaption on 3D Object Detection [19.703181080679176]
  ポイントクラウドからの3Dオブジェクト検出は、安全クリティカルな自動運転において不可欠である。 本稿では,密度依存性ドメインギャップに対処する密度依存性ドメイン適応フレームワークを提案する。 3つの広く採用されている3次元オブジェクト検出データセットの実験結果から,提案手法が最先端の手法より優れていることが示された。
  論文  参考訳（メタデータ） (2023-04-19T06:33:07Z)
• Do More With What You Have: Transferring Depth-Scale from Labeled to Unlabeled Domains [43.16293941978469]
  自己教師付き深度推定器は、ドメイン全体の絶対深度値と線形に相関する大規模予測をもたらす。 トレーニング前の2つのデータセットのフィールド・オブ・ビューの整合性は、両方のドメインに共通な線形関係をもたらすことを示す。 観測された特性を用いて、絶対深度ラベルを持つソースデータセットから、これらの測定を欠いた新しいターゲットデータセットへ、深度スケールを転送する。
  論文  参考訳（メタデータ） (2023-03-14T07:07:34Z)
• 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)
• Geometry-Aware Network for Domain Adaptive Semantic Segmentation [64.00345743710653]
  本稿では,ドメイン間のギャップを小さくするために,ドメイン適応のための幾何学的ネットワーク(GANDA)を提案する。 我々は、RGB-D画像から生成された点雲上の3Dトポロジを利用して、対象領域における座標色歪みと擬似ラベルの微細化を行う。 我々のモデルは,GTA5->CityscapesとSynTHIA->Cityscapesの最先端技術より優れている。
  論文  参考訳（メタデータ） (2022-12-02T00:48:44Z)
• 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)
• Complete & Label: A Domain Adaptation Approach to Semantic Segmentation of LiDAR Point Clouds [49.47017280475232]
  3次元点雲のセマンティックラベリングにおける教師なし領域適応問題について検討する。 セグメンテーションネットワークに渡す前に、基盤となる表面を復元するためにComplete と Label のアプローチを採用する。 回収された3D表面は標準領域として機能し、そこからセマンティックラベルが異なるLiDARセンサー間で転送される。
  論文  参考訳（メタデータ） (2020-07-16T17:42:05Z)

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。