論文の概要: Context-Aware Data Augmentation for LIDAR 3D Object Detection
- arxiv url: http://arxiv.org/abs/2211.10850v1
- Date: Sun, 20 Nov 2022 02:45:18 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-22 20:17:13.049662
- Title: Context-Aware Data Augmentation for LIDAR 3D Object Detection
- Title（参考訳）: LIDAR 3Dオブジェクト検出のためのコンテキスト認識データ拡張
- Authors: Xuzhong Hu, Zaipeng Duan, Jie Ma
- Abstract要約: GTサンプルは、トレーニング中にライダーフレームに接地構造を挿入することにより、検出性能を効果的に向上する。
これらのサンプルは、しばしば不合理な領域に配置され、ターゲットと背景の間の間違ったコンテキスト情報を学ぶために、モデルを誤解させる。
本研究では,挿入対象の適切な配置を保証する文脈認識型データ拡張手法(CA-aug)を提案する。
- 参考スコア（独自算出の注目度）: 4.084927826063192
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: For 3D object detection, labeling lidar point cloud is difficult, so data
augmentation is an important module to make full use of precious annotated
data. As a widely used data augmentation method, GT-sample effectively improves
detection performance by inserting groundtruths into the lidar frame during
training. However, these samples are often placed in unreasonable areas, which
misleads model to learn the wrong context information between targets and
backgrounds. To address this problem, in this paper, we propose a context-aware
data augmentation method (CA-aug) , which ensures the reasonable placement of
inserted objects by calculating the "Validspace" of the lidar point cloud.
CA-aug is lightweight and compatible with other augmentation methods. Compared
with the GT-sample and the similar method in Lidar-aug(SOTA), it brings higher
accuracy to the existing detectors. We also present an in-depth study of
augmentation methods for the range-view-based(RV-based) models and find that
CA-aug can fully exploit the potential of RV-based networks. The experiment on
KITTI val split shows that CA-aug can improve the mAP of the test model by 8%.
- Abstract（参考訳）: 3Dオブジェクト検出では,ライダーポイントクラウドのラベル付けが難しいため,データ拡張は貴重な注釈付きデータをフル活用するための重要なモジュールである。
広範に使用されるデータ拡張法として、gt-sampleはトレーニング中にライダーフレームに基部を挿入することにより、検出性能を効果的に向上させる。
しかし、これらのサンプルはしばしば不合理な領域に配置され、ターゲットと背景の間の間違ったコンテキスト情報を学ぶために誤解を招く。
この問題に対処するため,本稿では,ライダーポイントクラウドの"Validspace"を計算することにより,挿入対象を合理的に配置するコンテキスト対応データ拡張手法(CA-aug)を提案する。
CA-augは軽量で、他の拡張メソッドと互換性がある。
GTサンプルやLidar-aug(SOTA)と同様の手法と比較して、既存の検出器に高い精度をもたらす。
また、レンジビューベース(RVベース)モデルに対する拡張手法の詳細な研究を行い、CA-augがRVベースのネットワークの可能性を完全に活用できることを見出した。
KITTI val 分割実験の結果,CA-aug は試験モデルの mAP を8% 改善できることがわかった。
関連論文リスト
- DiffusionEngine: Diffusion Model is Scalable Data Engine for Object
Detection [41.436817746749384]
Diffusion Modelはオブジェクト検出のためのスケーラブルなデータエンジンである。
DiffusionEngine(DE)は、高品質な検出指向のトレーニングペアを単一のステージで提供する。
論文 参考訳（メタデータ） (2023-09-07T17:55:01Z) - 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) - Learning Object-level Point Augmentor for Semi-supervised 3D Object
Detection [85.170578641966]
半教師付き3次元オブジェクト検出のための局所変換を行うオブジェクトレベルポイント拡張器(OPA)を提案する。
このようにして、結果のオーグメンタは、無関係なバックグラウンドではなく、オブジェクトインスタンスを強調するように導出されます。
ScanNetとSUN RGB-Dデータセットの実験は、提案したOPAが最先端の手法に対して好適に動作することを示している。
論文 参考訳（メタデータ） (2022-12-19T06:56:14Z) - Real3D-Aug: Point Cloud Augmentation by Placing Real Objects with
Occlusion Handling for 3D Detection and Segmentation [0.0]
本稿では,すでに注釈付けされているデータを複数回活用するデータ拡張手法を提案する。
本稿では,実データを再利用する拡張フレームワークを提案する。
このパイプラインは、3Dオブジェクトの検出とセマンティックセグメンテーションのためのトップパフォーマンスモデルのトレーニングにおいて、競争力があることを証明している。
論文 参考訳（メタデータ） (2022-06-15T16:25:30Z) - Structure Aware and Class Balanced 3D Object Detection on nuScenes
Dataset [0.0]
NuTonomyのnuScenesデータセットは、KITTIのような一般的なデータセットを大きく拡張している。
このモデルの局所化精度は、ダウンスケールされた特徴写像における空間情報の損失に影響される。
本稿では,3次元点雲の構造情報をフル活用した補助ネットワークを設計することで,CBGSモデルの性能を向上させることを提案する。
論文 参考訳（メタデータ） (2022-05-25T06:18:49Z) - 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) - On Automatic Data Augmentation for 3D Point Cloud Classification [19.338266486983176]
両レベル最適化を用いてデータ拡張戦略を自動学習することを提案する。
拡張器は条件付きジェネレータと同じような設計で、バリデーションセットにおけるベースモデルの損失を最小限に抑えて最適化される。
標準的なクラウド分類タスクに対する我々のアプローチと、トレーニングと検証/テストセットのミスアライメントによるより困難な設定について評価する。
論文 参考訳（メタデータ） (2021-12-11T17:14:16Z) - Pattern-Aware Data Augmentation for LiDAR 3D Object Detection [7.394029879643516]
本稿では,LiDARの特性に基づいてオブジェクトの点群をダウンサンプリングするデータ拡張手法である,パターン認識基底真理サンプリングを提案する。
自動車クラスにおけるPV-RCNNの性能は,25m以上の距離で分割したKITTI検証で0.7%以上向上した。
論文 参考訳（メタデータ） (2021-11-30T19:14:47Z) - Attentive Prototypes for Source-free Unsupervised Domain Adaptive 3D
Object Detection [85.11649974840758]
3Dオブジェクト検出ネットワークは、トレーニングされたデータに対してバイアスを受ける傾向がある。
そこで本研究では,ライダーを用いた3次元物体検出器のソースレス・教師なし領域適応のための単一フレーム手法を提案する。
論文 参考訳（メタデータ） (2021-11-30T18:42:42Z) - DecAug: Augmenting HOI Detection via Decomposition [54.65572599920679]
現在のアルゴリズムでは、データセット内のトレーニングサンプルやカテゴリの不均衡が不足している。
本稿では,HOI検出のためのDECAugと呼ばれる効率的かつ効率的なデータ拡張手法を提案する。
実験の結果,V-COCOおよびHICODETデータセットの3.3mAPと1.6mAPの改善が得られた。
論文 参考訳（メタデータ） (2020-10-02T13:59:05Z) - 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。