論文の概要: Fake it, Mix it, Segment it: Bridging the Domain Gap Between Lidar
Sensors
- arxiv url: http://arxiv.org/abs/2212.09517v1
- Date: Mon, 19 Dec 2022 14:57:13 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-20 15:38:01.112586
- Title: Fake it, Mix it, Segment it: Bridging the Domain Gap Between Lidar
Sensors
- Title（参考訳）: フェイク、ミックス、セグメンテーション:lidarセンサー間のドメインギャップを埋める
- Authors: Frederik Hasecke, Pascal Colling and Anton Kummert
- Abstract要約: ライダーセグメンテーションのための最高のニューラルネットワークは、特定のデータセットに微調整される。
新しいセンサーから注釈付きデータのセットを 再トレーニングせずにライダーセンサーを切り替えると ドメインシフトが発生する
そこで我々は,注釈付きパノプティカル・ライダー・データセットを用いて,異なるライダー・センサの構造に記録されたシーンを再現するライダー・ドメイン適応法を提案する。
- 参考スコア（独自算出の注目度）: 0.966840768820136
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Segmentation of lidar data is a task that provides rich, point-wise
information about the environment of robots or autonomous vehicles. Currently
best performing neural networks for lidar segmentation are fine-tuned to
specific datasets. Switching the lidar sensor without retraining on a big set
of annotated data from the new sensor creates a domain shift, which causes the
network performance to drop drastically. In this work we propose a new method
for lidar domain adaption, in which we use annotated panoptic lidar datasets
and recreate the recorded scenes in the structure of a different lidar sensor.
We narrow the domain gap to the target data by recreating panoptic data from
one domain in another and mixing the generated data with parts of (pseudo)
labeled target domain data. Our method improves the nuScenes to SemanticKITTI
unsupervised domain adaptation performance by 15.2 mean Intersection over Union
points (mIoU) and by 48.3 mIoU in our semi-supervised approach. We demonstrate
a similar improvement for the SemanticKITTI to nuScenes domain adaptation by
21.8 mIoU and 51.5 mIoU, respectively. We compare our method with two state of
the art approaches for semantic lidar segmentation domain adaptation with a
significant improvement for unsupervised and semi-supervised domain adaptation.
Furthermore we successfully apply our proposed method to two entirely unlabeled
datasets of two state of the art lidar sensors Velodyne Alpha Prime and
InnovizTwo, and train well performing semantic segmentation networks for both.
- Abstract（参考訳）: lidarデータのセグメンテーションは、ロボットや自動運転車の環境に関するリッチでポイントワイズな情報を提供するタスクである。
現在、lidarセグメンテーションのためのニューラルネットワークは、特定のデータセットに微調整されている。
lidarセンサーを新しいセンサーから大量のアノテートされたデータを再トレーニングすることなく切り替えると、ドメインシフトが発生し、ネットワークのパフォーマンスが大幅に低下する。
本研究では,アノテートされたpanoptic lidarデータセットを用いて,異なるlidarセンサの構造で記録されたシーンを再現する手法を提案する。
我々は、あるドメインから1つのドメインを再生し、生成されたデータを(擬似)ラベル付きターゲットドメインデータの一部と混合することにより、対象データにドメインギャップを狭める。
提案手法は,セマンティックKITTIの非教師付き領域適応性能を15.2平均接点(mIoU)と48.3mIoUで改善する。
21.8 mIoU と 51.5 mIoU による SemanticKITTI と nuScenes ドメイン適応の類似性を示した。
提案手法を,セマンティクスlidarセグメンテーション領域適応法と,非教師なし領域適応法と半教師なし領域適応法とを比較した。
さらに,提案手法を2種類のアートライダーセンサであるVelodyne Alpha PrimeとInnovizTwoの2つの状態のラベルなしデータセットに適用し,両者のセマンティックセマンティックセマンティクスネットワークを訓練することに成功した。
関連論文リスト
- 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) - Threshold-adaptive Unsupervised Focal Loss for Domain Adaptation of
Semantic Segmentation [25.626882426111198]
意味的セグメンテーションのための教師なしドメイン適応(UDA)は近年研究の注目を集めている。
本稿では,セマンティックセグメンテーションのための2段階エントロピーに基づくUDA手法を提案する。
本稿では,DeepLabV2を用いたSynTHIA-to-CityscapesとGTA5-to-Cityscapesにおける最先端の58.4%と59.6%のmIoUと,軽量BiSeNetを用いた競合性能を実現する。
論文 参考訳（メタデータ） (2022-08-23T03:48:48Z) - DecoupleNet: Decoupled Network for Domain Adaptive Semantic Segmentation [78.30720731968135]
セマンティックセグメンテーションにおける教師なしドメイン適応は、高価なピクセル単位のアノテーションへの依存を軽減するために提起されている。
我々は、ソースドメインのオーバーフィットを軽減し、最終的なモデルをセグメント化タスクに集中できるようにするDecoupleNetを提案する。
我々はまた、自己識別(SD)を推進し、擬似ラベルでより識別可能なターゲットドメイン特徴を学習するための補助分類器を導入した。
論文 参考訳（メタデータ） (2022-07-20T15:47:34Z) - ProCST: Boosting Semantic Segmentation using Progressive Cyclic
Style-Transfer [38.03127458140549]
ドメイン適応技術を改善するための新しい2段階フレームワークを提案する。
最初のステップでは、複数のスケールのニューラルネットワークを段階的にトレーニングし、ソースデータからターゲットデータへの初期転送を行う。
この新たなデータは、所望のターゲットドメインとのドメインギャップを減らし、適用されたUDAアプローチにより、さらにギャップを埋める。
論文 参考訳（メタデータ） (2022-04-25T18:01:05Z) - An Unsupervised Domain Adaptive Approach for Multimodal 2D Object
Detection in Adverse Weather Conditions [5.217255784808035]
本稿では、ソースとターゲットドメイン間のドメインギャップを埋めるために、教師なしのドメイン適応フレームワークを提案する。
天候の歪みをシミュレートするデータ拡張方式を用いて、ドメインの混乱を増し、ソースデータへの過度な適合を防止する。
DENSEデータセットで行った実験は、我々の手法がドメインギャップを大幅に軽減できることを示している。
論文 参考訳（メタデータ） (2022-03-07T18:10:40Z) - Stagewise Unsupervised Domain Adaptation with Adversarial Self-Training
for Road Segmentation of Remote Sensing Images [93.50240389540252]
リモートセンシング画像からの道路セグメンテーションは、幅広い応用可能性を持つ課題である。
本稿では,この領域における領域シフト(DS)問題に対処するため,RoadDAと呼ばれる新たな段階的ドメイン適応モデルを提案する。
2つのベンチマーク実験の結果、RoadDAはドメインギャップを効率的に減らし、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） (2021-08-28T09:29:14Z) - Cross-domain Contrastive Learning for Unsupervised Domain Adaptation [108.63914324182984]
教師なしドメイン適応(Unsupervised domain adapt、UDA)は、完全にラベル付けされたソースドメインから異なるラベル付けされていないターゲットドメインに学習した知識を転送することを目的としている。
対照的な自己教師型学習に基づいて、トレーニングとテストセット間のドメインの相違を低減するために、機能を整列させます。
論文 参考訳（メタデータ） (2021-06-10T06:32:30Z) - Unsupervised Intra-domain Adaptation for Semantic Segmentation through
Self-Supervision [73.76277367528657]
畳み込みニューラルネットワークに基づくアプローチは、セマンティックセグメンテーションにおいて顕著な進歩を遂げた。
この制限に対処するために、グラフィックエンジンから生成された注釈付きデータを使用してセグメンテーションモデルをトレーニングする。
ドメイン間およびドメイン間ギャップを最小化する2段階の自己教師付きドメイン適応手法を提案する。
論文 参考訳（メタデータ） (2020-04-16T15:24:11Z) - Spatial Attention Pyramid Network for Unsupervised Domain Adaptation [66.75008386980869]
教師なし領域適応は様々なコンピュータビジョンタスクにおいて重要である。
教師なし領域適応のための新しい空間注意ピラミッドネットワークを設計する。
我々の手法は最先端の手法に対して大きなマージンで好適に機能する。
論文 参考訳（メタデータ） (2020-03-29T09:03:23Z)
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。