論文の概要: DDS3D: Dense Pseudo-Labels with Dynamic Threshold for Semi-Supervised 3D Object Detection

• arxiv url: http://arxiv.org/abs/2303.05079v2
• Date: Fri, 10 Mar 2023 03:09:41 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-13 11:23:48.942480
• Title: DDS3D: Dense Pseudo-Labels with Dynamic Threshold for Semi-Supervised 3D Object Detection
• Title（参考訳）: DDS3D: 半スーパービジョン3次元物体検出のための動的閾値付き高密度擬似ラベル
• Authors: Jingyu Li, Zhe Liu, Jinghua Hou, Dingkang Liang
• Abstract要約: 本報告では, 簡易かつ効果的な半教師付き3次元物体検出器である3Dについて述べる。 これら2つのコンポーネントに適合して、我々の3Dは、最先端の半教師付き3Dオブジェクト検出を、データセットで3.1%、サイクリストで2.1%で上回っている。
• 参考スコア（独自算出の注目度）: 15.440609044002722
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper, we present a simple yet effective semi-supervised 3D object detector named DDS3D. Our main contributions have two-fold. On the one hand, different from previous works using Non-Maximal Suppression (NMS) or its variants for obtaining the sparse pseudo labels, we propose a dense pseudo-label generation strategy to get dense pseudo-labels, which can retain more potential supervision information for the student network. On the other hand, instead of traditional fixed thresholds, we propose a dynamic threshold manner to generate pseudo-labels, which can guarantee the quality and quantity of pseudo-labels during the whole training process. Benefiting from these two components, our DDS3D outperforms the state-of-the-art semi-supervised 3d object detection with mAP of 3.1% on the pedestrian and 2.1% on the cyclist under the same configuration of 1% samples. Extensive ablation studies on the KITTI dataset demonstrate the effectiveness of our DDS3D. The code and models will be made publicly available at https://github.com/hust-jy/DDS3D
• Abstract（参考訳）: 本稿では,DDS3Dという簡易かつ効果的な半教師付き3次元物体検出器を提案する。 私たちの主な貢献は2倍です。 一方,非最大抑制 (nms) やその変種を用いたスパース擬似ラベルを得るための従来の作品と異なり,学生ネットワークの監視情報を多く保持できる密集した擬似ラベル生成戦略を提案する。 一方,従来の固定しきい値の代わりに擬似ラベルを生成する動的しきい値法を提案し,学習過程全体における擬似ラベルの品質と量を保証する。 この2つのコンポーネントの利点により、dds3dは、歩行者の3.1%、サイクリストの2.1%という、最先端の半教師付き3dオブジェクト検出よりも優れています。 KITTIデータセットの大規模なアブレーション研究は、我々のDDS3Dの有効性を実証している。 コードとモデルはhttps://github.com/hust-jy/DDS3Dで公開される。

関連論文リスト

• Dual-Perspective Knowledge Enrichment for Semi-Supervised 3D Object Detection [55.210991151015534]
  本稿では, DPKE という新しい2次元知識豊か化手法を提案する。 我々のDPKEは、データパースペクティブと機能パースペクティブという2つの観点から、限られたトレーニングデータ、特にラベルなしデータの知識を豊かにしています。
  論文  参考訳（メタデータ） (2024-01-10T08:56:07Z)
• An Empirical Study of Pseudo-Labeling for Image-based 3D Object Detection [72.30883544352918]
  異なる条件下で,擬似ラベルがベースラインモデルに対して効果的に監視できるかどうかを検討する。 ベルとホイッスルを使わずにKITTI-3Dテストセットの適度なレベルを20.23 APで達成し、ベースラインモデルを6.03 APで改善した。 この研究が、半教師付き環境下で画像に基づく3D検出コミュニティに洞察を与えてくれることを願っている。
  論文  参考訳（メタデータ） (2022-08-15T12:17:46Z)
• 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)
• 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)
• 3DIoUMatch: Leveraging IoU Prediction for Semi-Supervised 3D Object Detection [76.42897462051067]
  3DIoUMatchは屋内および屋外の場面両方に適当3D目的の検出のための新しい半監視された方法です。 教師と教師の相互学習の枠組みを活用し,ラベル付けされていない列車の情報を擬似ラベルの形で伝達する。 本手法は,ScanNetとSUN-RGBDのベンチマークにおける最先端の手法を,全てのラベル比で有意差で継続的に改善する。
  論文  参考訳（メタデータ） (2020-12-08T11:06:26Z)
• SESS: Self-Ensembling Semi-Supervised 3D Object Detection [138.80825169240302]
  具体的には、ラベルのない新しい未知のデータに基づくネットワークの一般化を促進するための、徹底的な摂動スキームを設計する。 我々のSESSは、50%のラベル付きデータを用いて、最先端の完全教師付き手法と比較して、競争性能を達成している。
  論文  参考訳（メタデータ） (2019-12-26T08:48:04Z)

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。