論文の概要: Bi3D: Bi-domain Active Learning for Cross-domain 3D Object Detection
- arxiv url: http://arxiv.org/abs/2303.05886v1
- Date: Fri, 10 Mar 2023 12:38:37 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-13 15:12:51.421179
- Title: Bi3D: Bi-domain Active Learning for Cross-domain 3D Object Detection
- Title（参考訳）: Bi3D: クロスドメイン3Dオブジェクト検出のためのバイドメインアクティブラーニング
- Authors: Jiakang Yuan, Bo Zhang, Xiangchao Yan, Tao Chen, Botian Shi, Yikang
Li, Yu Qiao
- Abstract要約: クロスドメインな3Dオブジェクト検出タスクを解決するために,Biドメインのアクティブな学習手法,すなわちBi3Dを提案する。
Bi3D は UDA ベースの作業 (84.29%) と比較して有望な目標領域検出精度 (KITTI の89.63%) を達成する。
- 参考スコア（独自算出の注目度）: 32.29833072399945
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Unsupervised Domain Adaptation (UDA) technique has been explored in 3D
cross-domain tasks recently. Though preliminary progress has been made, the
performance gap between the UDA-based 3D model and the supervised one trained
with fully annotated target domain is still large. This motivates us to
consider selecting partial-yet-important target data and labeling them at a
minimum cost, to achieve a good trade-off between high performance and low
annotation cost. To this end, we propose a Bi-domain active learning approach,
namely Bi3D, to solve the cross-domain 3D object detection task. The Bi3D first
develops a domainness-aware source sampling strategy, which identifies
target-domain-like samples from the source domain to avoid the model being
interfered by irrelevant source data. Then a diversity-based target sampling
strategy is developed, which selects the most informative subset of target
domain to improve the model adaptability to the target domain using as little
annotation budget as possible. Experiments are conducted on typical
cross-domain adaptation scenarios including cross-LiDAR-beam, cross-country,
and cross-sensor, where Bi3D achieves a promising target-domain detection
accuracy (89.63% on KITTI) compared with UDAbased work (84.29%), even
surpassing the detector trained on the full set of the labeled target domain
(88.98%). Our code is available at: https://github.com/PJLabADG/3DTrans.
- Abstract（参考訳）: 教師なしドメイン適応(UDA)技術は、最近3次元クロスドメインタスクで研究されている。
予備的な進展はあったが、UDAベースの3Dモデルと完全に注釈付けされたターゲットドメインで訓練された教師付きモデルのパフォーマンスギャップは依然として大きい。
これにより、部分的に重要なターゲットデータを選択し、最小限のコストでラベル付けすることで、高いパフォーマンスと低いアノテーションコストの間の良好なトレードオフを実現することを動機付けます。
そこで本研究では,クロスドメインな3Dオブジェクト検出タスクを解決するために,Biドメインのアクティブな学習手法であるBi3Dを提案する。
bi3dはまず、ソースドメインからターゲットドメインライクなサンプルを識別し、無関係なソースデータに干渉されるモデルを避けるドメインネス対応のソースサンプリング戦略を開発する。
次に、ターゲットドメインの最も有益なサブセットを選択し、できるだけ少ないアノテーション予算でターゲットドメインへのモデル適応性を改善する、多様性に基づくターゲットサンプリング戦略を開発する。
クロスライダービーム、クロスカントリー、クロスセンサーを含む典型的なクロスドメイン適応シナリオにおいて、bi3dは、udaベースの作業(84.29%)と比較して有望なターゲットドメイン検出精度(89.63%)を達成し、ラベル付きターゲットドメインの完全なセット(88.98%)で訓練された検出器を上回っている。
私たちのコードは、https://github.com/PJLabADG/3DTransで利用可能です。
関連論文リスト
- STAL3D: Unsupervised Domain Adaptation for 3D Object Detection via Collaborating Self-Training and Adversarial Learning [21.063779140059157]
既存の3Dオブジェクト検出は、ドメインギャップのため、高価なアノテーションコストと未知のデータへの転送性に悩まされる。
STAL3Dと呼ばれるSTとALの協調による3次元オブジェクト検出のための新しい非教師付きドメイン適応フレームワークを提案し、擬似ラベルと特徴分布アライメントの相補的利点を浮き彫りにした。
論文 参考訳（メタデータ） (2024-06-27T17:43:35Z) - 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) - Domain Generalization of 3D Object Detection by Density-Resampling [14.510085711178217]
ポイントクラウドベースの3Dオブジェクト検出は、新しいドメインギャップを持つデータに遭遇する際のパフォーマンス劣化に悩まされる。
対象領域に対する3次元物体検出の一般化性を向上させるためのSDG法を提案する。
本研究では,新しいデータ拡張手法を導入し,その方法論に新しいマルチタスク学習戦略を貢献する。
論文 参考訳（メタデータ） (2023-11-17T20:01:29Z) - BEV-DG: Cross-Modal Learning under Bird's-Eye View for Domain
Generalization of 3D Semantic Segmentation [59.99683295806698]
クロスモーダルなUnsupervised Domain Adaptation (UDA)は、新しいドメインにおけるアノテーションの欠如を克服するために、2D-3Dデータの相補性を活用することを目的としている。
本稿では,BEV-DGと呼ばれる3次元セマンティックセグメンテーションの領域一般化(DG)に対する鳥眼図に基づくクロスモーダル学習を提案する。
論文 参考訳（メタデータ） (2023-08-12T11:09:17Z) - 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) - 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) - Domain Adaptation in 3D Object Detection with Gradual Batch Alternation
Training [13.727464375608765]
本稿では,大規模なラベル付きソースドメインから不十分なラベル付きターゲットドメインに適応可能なトレーニング戦略を提案する。
アイデアは、ソースとターゲットドメインデータからのサンプルのバッチで、代替的な方法でトレーニングを開始することですが、ソースドメインデータの量を徐々に削減します。
このようにして、モデルは徐々にターゲットドメインに移行し、最終的にはより適応します。
論文 参考訳（メタデータ） (2022-10-18T22:03:37Z) - Unsupervised Domain Adaptation for Monocular 3D Object Detection via
Self-Training [57.25828870799331]
我々は、Mono3D上での教師なしドメイン適応のための新しい自己学習フレームワークSTMono3Dを提案する。
対象ドメイン上で適応的な擬似ラベルを生成するための教師学生パラダイムを開発する。
STMono3Dは、評価されたすべてのデータセットで顕著なパフォーマンスを達成し、KITTI 3Dオブジェクト検出データセットの完全な教師付き結果を超えています。
論文 参考訳（メタデータ） (2022-04-25T12:23:07Z) - Unsupervised Domain Adaptive 3D Detection with Multi-Level Consistency [90.71745178767203]
ディープラーニングに基づく3Dオブジェクト検出は、大規模な自律走行データセットの出現によって、前例のない成功を収めた。
既存の3Dドメイン適応検出手法は、しばしばターゲットのドメインアノテーションへの事前アクセスを前提とします。
我々は、ソースドメインアノテーションのみを利用する、より現実的な、教師なしの3Dドメイン適応検出について研究する。
論文 参考訳（メタデータ） (2021-07-23T17:19:23Z) - 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)
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。