論文の概要: Gradient-based Maximally Interfered Retrieval for Domain Incremental 3D Object Detection

• arxiv url: http://arxiv.org/abs/2304.14460v1
• Date: Thu, 27 Apr 2023 18:35:20 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-01 16:04:25.586214
• Title: Gradient-based Maximally Interfered Retrieval for Domain Incremental 3D Object Detection
• Title（参考訳）: 領域インクリメンタル3次元物体検出のための勾配に基づく最大干渉検索
• Authors: Barza Nisar, Hruday Vishal Kanna Anand, Steven L. Waslander
• Abstract要約: 我々は,すべての気象条件下での3次元物体検出のために,グラディエントに基づく最大干渉度検索(GMIR)を提案する。 GMIRは、勾配ベクトルが現在の更新の勾配ベクトルとの最大干渉を示す前のドメインデータセットからサンプルを検索する。 SeeingThroughFog(STF)データセット上の3Dオブジェクト検出実験は、GMIRが忘れを克服するだけでなく、競争性能も提供することを示している。
• 参考スコア（独自算出の注目度）: 7.448224178732052
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate 3D object detection in all weather conditions remains a key challenge to enable the widespread deployment of autonomous vehicles, as most work to date has been performed on clear weather data. In order to generalize to adverse weather conditions, supervised methods perform best if trained from scratch on all weather data instead of finetuning a model pretrained on clear weather data. Training from scratch on all data will eventually become computationally infeasible and expensive as datasets continue to grow and encompass the full extent of possible weather conditions. On the other hand, naive finetuning on data from a different weather domain can result in catastrophic forgetting of the previously learned domain. Inspired by the success of replay-based continual learning methods, we propose Gradient-based Maximally Interfered Retrieval (GMIR), a gradient based sampling strategy for replay. During finetuning, GMIR periodically retrieves samples from the previous domain dataset whose gradient vectors show maximal interference with the gradient vector of the current update. Our 3D object detection experiments on the SeeingThroughFog (STF) dataset show that GMIR not only overcomes forgetting but also offers competitive performance compared to scratch training on all data with a 46.25% reduction in total training time.
• Abstract（参考訳）: すべての気象条件における正確な3dオブジェクト検出は、現在までのほとんどの作業が晴れた気象データで行われているため、自動運転車の広範な展開を可能にするための重要な課題である。 悪天候条件を一般化するために、監督された手法は、晴れた気象データに基づいて事前訓練されたモデルを微調整する代わりに、すべての気象データをスクラッチから訓練した場合に最適である。 データセットが成長を続け、可能な気象条件の全範囲を網羅し続ければ、すべてのデータのスクラッチからのトレーニングは、最終的には計算不可能でコストがかかるようになる。 一方で、異なる気象ドメインからのデータに対するナイーブな微調整は、以前に学習したドメインを壊滅的に忘れてしまう可能性がある。 リプレイに基づく連続学習手法の成功に触発されて、リプレイのための勾配に基づくサンプリング戦略であるグラディエントベースの最大干渉検索(GMIR)を提案する。 微調整中、GMIRは、現在の更新の勾配ベクトルとの最大干渉を示す勾配ベクトルを示す前のドメインデータセットから定期的にサンプルを検索する。 SeeingThroughFog(STF)データセット上の3Dオブジェクト検出実験は、GMIRが忘れを克服するだけでなく、全データのスクラッチトレーニングと比較して、総トレーニング時間を46.25%削減する競合性能も提供することを示している。

関連論文リスト

• SemiDDM-Weather: A Semi-supervised Learning Framework for All-in-one Adverse Weather Removal [57.52777076116241]
  逆天候除去は、悪天候下で透明な視界を回復することを目的としている。 本稿では教師ネットワーク上に構築された半教師付きオールインワン悪天候除去フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-09-29T12:12:22Z)
• Generative Data Assimilation of Sparse Weather Station Observations at Kilometer Scales [5.453657018459705]
  そこで本研究では,現実的に複雑な1kmスケールの気象条件下でのスコアベースデータ同化の実現可能性を示す。 40の気象観測所からの観測を取り入れることで、左の観測所で10%低いRMSEが達成される。 ますます野心的な地域国家ジェネレータと、In situ、地上ベース、衛星リモートセンシングデータストリームの集合を組み合わす拡張を探求する時期だ。
  論文  参考訳（メタデータ） (2024-06-19T10:28:11Z)
• SPOT: Scalable 3D Pre-training via Occupancy Prediction for Learning Transferable 3D Representations [76.45009891152178]
  トレーニング-ファインタニングアプローチは、さまざまな下流データセットとタスクをまたいだトレーニング済みのバックボーンを微調整することで、ラベル付けの負担を軽減することができる。 本稿では, 一般表現学習が, 占領予測のタスクを通じて達成できることを, 初めて示す。 本研究は,LiDAR 点の理解を促進するとともに,LiDAR の事前訓練における今後の進歩の道を開くことを目的とする。
  論文  参考訳（メタデータ） (2023-09-19T11:13:01Z)
• Pre-training on Synthetic Driving Data for Trajectory Prediction [61.520225216107306]
  軌道予測におけるデータ不足の問題を緩和するパイプラインレベルのソリューションを提案する。 我々は、駆動データを生成するためにHDマップ拡張とトラジェクトリ合成を採用し、それらを事前学習することで表現を学習する。 我々は、データ拡張と事前学習戦略の有効性を実証するための広範な実験を行う。
  論文  参考訳（メタデータ） (2023-09-18T19:49:22Z)
• 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)
• A New Benchmark: On the Utility of Synthetic Data with Blender for Bare Supervised Learning and Downstream Domain Adaptation [42.2398858786125]
  コンピュータビジョンにおけるディープラーニングは、大規模ラベル付きトレーニングデータの価格で大きな成功を収めた。 制御不能なデータ収集プロセスは、望ましくない重複が存在する可能性のある非IIDトレーニングおよびテストデータを生成する。 これを回避するために、ドメインランダム化による3Dレンダリングによる合成データを生成する方法がある。
  論文  参考訳（メタデータ） (2023-03-16T09:03:52Z)
• DL-Corrector-Remapper: A grid-free bias-correction deep learning methodology for data-driven high-resolution global weather forecasting [11.334341754942917]
  我々はFourCastNet(FCN)の一様予測を補正し、再マップし、微調整する手法を開発した。 これは、数値天気予報(NWP)のバイアス補正と後処理に似ている 私たちはこのネットワークをDLCR(Deep-Learning-Corrector-Remapper)と呼ぶ。
  論文  参考訳（メタデータ） (2022-10-21T23:04:44Z)
• Fog Simulation on Real LiDAR Point Clouds for 3D Object Detection in Adverse Weather [92.84066576636914]
  本研究は,霧の天候下でのLiDARによる3次元物体検出の課題に対処する。 我々は、物理的に正確な霧をクリア・ウェザー・シーンにシミュレートすることでこの問題に対処する。 Seeing Through Fogデータセットに強力な3Dオブジェクト検出ベースラインを提供するのはこれが初めてです。
  論文  参考訳（メタデータ） (2021-08-11T14:37:54Z)
• Lidar Light Scattering Augmentation (LISA): Physics-based Simulation of Adverse Weather Conditions for 3D Object Detection [60.89616629421904]
  ライダーベースの物体検出器は、自動運転車のような自律ナビゲーションシステムにおいて、3D知覚パイプラインの重要な部分である。 降雨、雪、霧などの悪天候に敏感で、信号-雑音比(SNR)と信号-背景比(SBR)が低下している。
  論文  参考訳（メタデータ） (2021-07-14T21:10:47Z)

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。