論文の概要: GeoAdapt: Self-Supervised Test-Time Adaption in LiDAR Place Recognition Using Geometric Priors

• arxiv url: http://arxiv.org/abs/2308.04638v1
• Date: Wed, 9 Aug 2023 00:40:10 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-10 15:30:26.571817
• Title: GeoAdapt: Self-Supervised Test-Time Adaption in LiDAR Place Recognition Using Geometric Priors
• Title（参考訳）: GeoAdapt: 幾何学的優先度を用いたLiDAR位置認識における自己監督テスト時間適応
• Authors: Joshua Knights, Stephen Hausler, Sridha Sridharan, Clinton Fookes, Peyman Moghadam
• Abstract要約: ディープラーニングに基づくLiDAR位置認識アプローチは、トレーニングデータセットとテストデータセットの分布にシフトがある場合、パフォーマンスが著しく低下する。 そこで,GeoAdaptは,未知の環境の再学習のための擬似ラベルを自己教師型で生成するための,新たな補助的分類ヘッドを提案する。 GeoAdaptは、適度なドメインシフトから厳しいドメインシフトにおける位置認識性能を大幅に向上させ、完全に教師付きテスト時間適応アプローチと競合する。
• 参考スコア（独自算出の注目度）: 33.67087810623455
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: LiDAR place recognition approaches based on deep learning suffer a significant degradation in performance when there is a shift between the distribution of the training and testing datasets, with re-training often required to achieve top performance. However, obtaining accurate ground truth on new environments can be prohibitively expensive, especially in complex or GPS-deprived environments. To address this issue we propose GeoAdapt, which introduces a novel auxiliary classification head to generate pseudo-labels for re-training on unseen environments in a self-supervised manner. GeoAdapt uses geometric consistency as a prior to improve the robustness of our generated pseudo-labels against domain shift, improving the performance and reliability of our Test-Time Adaptation approach. Comprehensive experiments show that GeoAdapt significantly boosts place recognition performance across moderate to severe domain shifts, and is competitive with fully supervised test-time adaptation approaches. Our code will be available at https://github.com/csiro-robotics/GeoAdapt.
• Abstract（参考訳）: ディープラーニングに基づくlidar位置認識アプローチは、トレーニングの分散とデータセットのテストにシフトがあり、トップパフォーマンスを達成するために再トレーニングが必要となる場合、パフォーマンスが著しく低下する。 しかし、新しい環境において正確な真理を得ることは、特に複雑な環境やgps不足環境では、非常に高価である。 この問題に対処するために,GeoAdaptを提案する。これは,未知の環境を自己管理的に再学習するための擬似ラベルを生成するための,新しい補助的分類ヘッドである。 geoadaptは以前の方法として幾何学的一貫性を使用し、生成された擬似ラベルのドメインシフトに対する堅牢性を改善し、テスト時適応アプローチのパフォーマンスと信頼性を改善します。 総合的な実験により、geoadaptは中程度から重度のドメインシフトにおける位置認識性能を著しく向上させ、完全に監督されたテスト時間適応アプローチと競合することが示された。 私たちのコードはhttps://github.com/csiro-robotics/geoadaptで利用可能です。

関連論文リスト

• PC-Adapter: Topology-Aware Adapter for Efficient Domain Adaption on Point Clouds with Rectified Pseudo-label [39.6711648793659]
  ドメインシフトシナリオの下では、ポイントクラウドデータのユニークな課題を再考します。 アダプタ誘導型ドメイン適応手法 PC-Adapter を提案する。 本手法は,ベンチマークデータセットにおける各種領域シフト設定のベースラインよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-09-29T02:32:01Z)
• Better Practices for Domain Adaptation [62.70267990659201]
  ドメイン適応(DA)は、ラベルを使わずに、モデルを配置データに適用するためのフレームワークを提供することを目的としている。 DAの明確な検証プロトコルは、文献の悪い実践につながっている。 ドメイン適応手法の3つの分野にまたがる課題を示す。
  論文  参考訳（メタデータ） (2023-09-07T17:44:18Z)
• DomainAdaptor: A Novel Approach to Test-time Adaptation [33.770970763959355]
  DomainAdaptorは、テスト中に未確認のドメインにトレーニング済みのCNNモデルを適用することを目的としている。 AdaMixBNは、正規化層のトレーニングとテスト統計を適応的に融合することで、ドメインシフトに対処する。 実験によると、DomainAdaptorは4つのベンチマークで最先端のメソッドを一貫して上回っている。
  論文  参考訳（メタデータ） (2023-08-20T15:37:01Z)
• CAFA: Class-Aware Feature Alignment for Test-Time Adaptation [50.26963784271912]
  テスト時間適応(TTA)は、テスト時にラベルのないデータにモデルを適応させることによって、この問題に対処することを目的としている。 本稿では,クラス認識特徴アライメント(CAFA, Class-Aware Feature Alignment)と呼ばれる単純な機能アライメント損失を提案する。
  論文  参考訳（メタデータ） (2022-06-01T03:02:07Z)
• Continual Test-Time Domain Adaptation [94.51284735268597]
  テスト時ドメイン適応は、ソースデータを使用しずに、ソース事前訓練されたモデルをターゲットドメインに適応することを目的としている。 CoTTAは実装が容易で、市販の事前訓練モデルに簡単に組み込むことができる。
  論文  参考訳（メタデータ） (2022-03-25T11:42:02Z)
• Lifelong Unsupervised Domain Adaptive Person Re-identification with Coordinated Anti-forgetting and Adaptation [127.6168183074427]
  本稿では,LUDA (Lifelong Unsupervised Domain Adaptive) という新たなタスクを提案する。 これは、モデルがターゲット環境のラベル付けされていないデータに継続的に適応する必要があるため、難しい。 我々は、CLUDA-ReIDと呼ばれるこのタスクのための効果的なスキームを設計し、そこでは、アンチフォージェッティングが適応と調和して調整される。
  論文  参考訳（メタデータ） (2021-12-13T13:19:45Z)
• VisDA-2021 Competition Universal Domain Adaptation to Improve Performance on Out-of-Distribution Data [64.91713686654805]
  Visual Domain Adaptation (VisDA) 2021コンペティションは、新しいテストディストリビューションに適応するモデルの能力をテストする。 我々は,新しい視点,背景,モダリティ,品質劣化への適応性を評価する。 厳密なプロトコルを使用してパフォーマンスを計測し、最先端のドメイン適応手法と比較する。
  論文  参考訳（メタデータ） (2021-07-23T03:21:51Z)
• Self-Domain Adaptation for Face Anti-Spoofing [31.441928816043536]
  推論時にラベルのないテストドメインデータを利用するための自己ドメイン適応フレームワークを提案する。 トレーニングステップで複数のソースドメインのデータを用いて,メタラーニングに基づく適応学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-02-24T08:46:39Z)

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。