論文の概要: PseudoAugment: Learning to Use Unlabeled Data for Data Augmentation in Point Clouds

• arxiv url: http://arxiv.org/abs/2210.13428v1
• Date: Mon, 24 Oct 2022 17:45:49 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-25 17:45:31.717856
• Title: PseudoAugment: Learning to Use Unlabeled Data for Data Augmentation in Point Clouds
• Title（参考訳）: PseudoAugment: ポイントクラウドのデータ拡張にラベルのないデータを使用する学習
• Authors: Zhaoqi Leng, Shuyang Cheng, Benjamin Caine, Weiyue Wang, Xiao Zhang, Jonathon Shlens, Mingxing Tan, Dragomir Anguelov
• Abstract要約: 既存の拡張ポリシーは、ラベル付きデータのみを利用するように設計されている。 我々は、トレーニングデータを強化するために、ラベルなしのデータをデータ拡張に活用することを提案する。 我々はAutoPseudoAugmentという3次元検出のための人口ベースデータ拡張フレームワークを開発した。
• 参考スコア（独自算出の注目度）: 40.965517164773864
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Data augmentation is an important technique to improve data efficiency and save labeling cost for 3D detection in point clouds. Yet, existing augmentation policies have so far been designed to only utilize labeled data, which limits the data diversity. In this paper, we recognize that pseudo labeling and data augmentation are complementary, thus propose to leverage unlabeled data for data augmentation to enrich the training data. In particular, we design three novel pseudo-label based data augmentation policies (PseudoAugments) to fuse both labeled and pseudo-labeled scenes, including frames (PseudoFrame), objecta (PseudoBBox), and background (PseudoBackground). PseudoAugments outperforms pseudo labeling by mitigating pseudo labeling errors and generating diverse fused training scenes. We demonstrate PseudoAugments generalize across point-based and voxel-based architectures, different model capacity and both KITTI and Waymo Open Dataset. To alleviate the cost of hyperparameter tuning and iterative pseudo labeling, we develop a population-based data augmentation framework for 3D detection, named AutoPseudoAugment. Unlike previous works that perform pseudo-labeling offline, our framework performs PseudoAugments and hyperparameter tuning in one shot to reduce computational cost. Experimental results on the large-scale Waymo Open Dataset show our method outperforms state-of-the-art auto data augmentation method (PPBA) and self-training method (pseudo labeling). In particular, AutoPseudoAugment is about 3X and 2X data efficient on vehicle and pedestrian tasks compared to prior arts. Notably, AutoPseudoAugment nearly matches the full dataset training results, with just 10% of the labeled run segments on the vehicle detection task.
• Abstract（参考訳）: データ拡張は、データ効率を改善し、ポイントクラウドにおける3D検出のラベリングコストを削減するための重要なテクニックである。 しかし、既存の拡張ポリシーはラベル付きデータのみを利用するように設計されており、データの多様性が制限されている。 本稿では,擬似ラベリングとデータ拡張が相補的であることを認識し,トレーニングデータの強化のためにラベルなしデータを活用することを提案する。 特に,フレーム (pseudoframe), objecta (pseudobbox), background (pseudobackground) などのラベル付きシーンと擬似ラベル付きシーンの両方を融合させるために, 3つの新しい擬似ラベルベースのデータ拡張ポリシー (pseudoaugments) を設計した。 pseudoaugmentsは、疑似ラベリングエラーを緩和し、さまざまな融合トレーニングシーンを生成することで、疑似ラベリングを上回る。 PseudoAugmentsは、ポイントベースおよびボクセルベースのアーキテクチャ、モデルキャパシティの差異、KITTIとWaymo Open Datasetの両方にまたがる一般化を実証する。 ハイパーパラメータチューニングと反復的な擬似ラベリングのコストを軽減するため,AutoPseudoAugmentという3次元検出のための集団データ拡張フレームワークを開発した。 擬似ラベルをオフラインで実行する従来の作業とは異なり、我々のフレームワークは計算コストを削減するために1ショットでPseudoAugmentsとハイパーパラメータチューニングを実行する。 大規模なWaymo Open Dataset実験の結果,提案手法は最先端の自動車データ拡張法(PPBA)と自己学習法(擬似ラベル法)より優れていた。 特にAutoPseudoAugmentは、自動車や歩行者の作業において、従来の技術と比べて3倍と2倍のデータを効率よく提供する。 特にAutoPseudoAugmentは、完全なデータセットトレーニング結果とほぼ一致しており、車両検出タスクのラベル付き実行セグメントの10%に過ぎません。

関連論文リスト

• TrajSSL: Trajectory-Enhanced Semi-Supervised 3D Object Detection [59.498894868956306]
  Pseudo-labeling approach to semi-supervised learning は教師-学生の枠組みを採用する。 我々は、事前学習した動き予測モデルを活用し、擬似ラベル付きデータに基づいて物体軌跡を生成する。 提案手法は2つの異なる方法で擬似ラベル品質を向上する。
  論文  参考訳（メタデータ） (2024-09-17T05:35:00Z)
• You can't handle the (dirty) truth: Data-centric insights improve pseudo-labeling [60.27812493442062]
  擬似ラベル法を改善するためにラベル付きデータ品質を調査することが重要であることを示す。 具体的には、擬似ラベルの拡張のために、DIPSと呼ばれる新しいデータキャラクタリゼーションと選択フレームワークを導入する。 本研究では,多種多様な実世界のデータセットを対象とした擬似ラベル手法に対するDIPSの適用性と影響を実証する。
  論文  参考訳（メタデータ） (2024-06-19T17:58:40Z)
• Doubly Robust Self-Training [46.168395767948965]
  本稿では,新しい半教師付きアルゴリズムである二重頑健な自己学習を導入する。 通常の自己学習ベースラインよりも2倍頑健な損失の優位性を実証する。
  論文  参考訳（メタデータ） (2023-06-01T00:57:16Z)
• What Are Effective Labels for Augmented Data? Improving Calibration and Robustness with AutoLabel [25.90876543174631]
  歪んだデータに対する1ホットラベルの再使用は、ノイズの追加や精度の劣化、校正のリスクを負う可能性がある。 そこで本研究では,ラベルの信頼度を自動的に学習する汎用手法であるAutoLabelを提案する。 私たちはAutoLabelを、最先端のRandAug、AugMix、敵のトレーニングという3つの異なるデータ拡張テクニックに適用することに成功しました。
  論文  参考訳（メタデータ） (2023-02-22T07:44:17Z)
• 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)
• Weakly Supervised Pseudo-Label assisted Learning for ALS Point Cloud Semantic Segmentation [1.4620086904601473]
  競合ポイントクラウドの結果は通常、大量のラベル付きデータに依存します。 本研究では,基礎的事実を限定した正確な結果を得るための擬似ラベル方式を提案する。
  論文  参考訳（メタデータ） (2021-05-05T08:07:21Z)
• Unsupervised Domain Adaptation for Person Re-Identification through Source-Guided Pseudo-Labeling [2.449909275410288]
  人物再識別(re-ID)は、異なるカメラで撮影された同一人物の画像を取得することを目的としている。 Unsupervised Domain Adaptation (UDA)は、ターゲットデータの高価なアノテーションを避けるため、この課題に対する興味深い研究方向である。 ソースドメインとターゲットドメインにおける分類と三重項損失に基づく計量学習を最適化する2分岐アーキテクチャを利用するフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-09-20T14:54:42Z)
• Omni-supervised Facial Expression Recognition via Distilled Data [120.11782405714234]
  ネットワークトレーニングにおいて,信頼度の高いサンプルを多量のラベルのないデータで活用するためのオムニ教師付き学習を提案する。 我々は,新しいデータセットが学習したFERモデルの能力を大幅に向上させることができることを実験的に検証した。 そこで本研究では,生成したデータセットを複数のクラスワイド画像に圧縮するために,データセット蒸留戦略を適用することを提案する。
  論文  参考訳（メタデータ） (2020-05-18T09:36:51Z)
• Improving 3D Object Detection through Progressive Population Based Augmentation [91.56261177665762]
  本稿では3次元オブジェクト検出のためのデータ拡張ポリシーの設計を自動化するための最初の試みを示す。 このアルゴリズムは,探索空間を狭め,過去の反復で発見された最良のパラメータを採用することで,拡張戦略の最適化を学習する。 PPBAは, 拡張のないベースライン3次元検出モデルよりも最大10倍のデータ効率が高く, ラベル付きモデルよりもはるかに少ない精度で3次元検出モデルが競合精度を達成できる可能性が示唆された。
  論文  参考訳（メタデータ） (2020-04-02T05:57:02Z)

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。