論文の概要: T-UDA: Temporal Unsupervised Domain Adaptation in Sequential Point Clouds

• arxiv url: http://arxiv.org/abs/2309.08302v1
• Date: Fri, 15 Sep 2023 10:47:12 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-18 15:04:34.950033
• Title: T-UDA: Temporal Unsupervised Domain Adaptation in Sequential Point Clouds
• Title（参考訳）: T-UDA:シークエンシャルポイント雲における時間的教師なしドメイン適応
• Authors: Awet Haileslassie Gebrehiwot, David Hurych, Karel Zimmermann, Patrick P\'erez, Tom\'a\v{s} Svoboda
• Abstract要約: 教師なしドメイン適応(UDA)メソッドは、1つの(ソース)ドメインでトレーニングされたモデルに、アノテーションが利用可能な他の(ターゲット)ドメインに適応する。 本稿では,両トレンドの長所を活かした新しい領域適応手法を提案する。この組み合わせにより,運転シーンの3次元セマンティックセマンティックセグメンテーションのタスクにおいて,大きなパフォーマンス向上が得られる。
• 参考スコア（独自算出の注目度）: 2.5291108878852864
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep perception models have to reliably cope with an open-world setting of domain shifts induced by different geographic regions, sensor properties, mounting positions, and several other reasons. Since covering all domains with annotated data is technically intractable due to the endless possible variations, researchers focus on unsupervised domain adaptation (UDA) methods that adapt models trained on one (source) domain with annotations available to another (target) domain for which only unannotated data are available. Current predominant methods either leverage semi-supervised approaches, e.g., teacher-student setup, or exploit privileged data, such as other sensor modalities or temporal data consistency. We introduce a novel domain adaptation method that leverages the best of both trends. Our approach combines input data's temporal and cross-sensor geometric consistency with the mean teacher method. Dubbed T-UDA for "temporal UDA", such a combination yields massive performance gains for the task of 3D semantic segmentation of driving scenes. Experiments are conducted on Waymo Open Dataset, nuScenes and SemanticKITTI, for two popular 3D point cloud architectures, Cylinder3D and MinkowskiNet. Our codes are publicly available at https://github.com/ctu-vras/T-UDA.
• Abstract（参考訳）: 深層認識モデルは、異なる地理的領域、センサー特性、装着位置などによって誘導される領域シフトのオープンワールド設定に確実に対処する必要がある。 すべてのドメインを注釈付きデータでカバーすることは、無限に可能なバリエーションのために技術的に難解であるため、研究者は、注釈なしデータしか利用できない別の(ターゲット)ドメインでトレーニングされたモデルに適応する教師なしのドメイン適応(UDA)手法に焦点を当てている。 現在の主流の手法は、教師と学生のセットアップのような半教師付きアプローチを利用するか、または他のセンサーのモダリティや時間データの一貫性のような特権データを利用する。 両者の傾向を最大限に活用する新しいドメイン適応手法を提案する。 提案手法は,入力データの時間的およびクロスセンサー的整合性と平均教師法を組み合わせる。 t-udaと呼ばれるこの組み合わせは、運転シーンの3dセマンティクスセグメンテーションのタスクにおいて、膨大なパフォーマンス向上をもたらす。 Waymo Open Dataset、nuScenes、SemanticKITTIで、Cylinder3DとMinkowskiNetの2つの人気のある3Dポイントクラウドアーキテクチャの実験が行われている。 私たちのコードはhttps://github.com/ctu-vras/T-UDA.comで公開されています。

関連論文リスト

• 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)
• 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)
• 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)
• Viewer-Centred Surface Completion for Unsupervised Domain Adaptation in 3D Object Detection [7.489722641968593]
  3D検出器は、トレーニング対象のデータセットに過度に適合する傾向がある。これにより、検出器が1つのデータセットでトレーニングされ、別のデータセットでテストされると、精度が大幅に低下する。 我々は、新しいビューア中心のサーフェス補完ネットワーク(VCN)を設計し、これをSEE-VCN(SEE-VCN)というアプローチで解決する。 SEE-VCNにより、データセット全体にわたるオブジェクトの統一表現が得られ、ネットワークはスキャンパターンに過度に適合するのではなく、幾何学の学習に集中することができる。
  論文  参考訳（メタデータ） (2022-09-14T04:22:20Z)
• Seeking Similarities over Differences: Similarity-based Domain Alignment for Adaptive Object Detection [86.98573522894961]
  本研究では,Unsupervised Domain Adaptation (UDA) アルゴリズムが検出に使用するコンポーネントを一般化するフレームワークを提案する。 具体的には、最適な設計選択を生かした新しいUDAアルゴリズムViSGAを提案し、インスタンスレベルの特徴を集約する単純だが効果的な方法を提案する。 類似性に基づくグループ化と対角トレーニングの両方により、モデルでは、ゆるやかに整列されたドメインにまたがるすべてのインスタンスにマッチせざるを得ず、機能グループを粗い整列することに集中することが可能であることが示されています。
  論文  参考訳（メタデータ） (2021-10-04T13:09:56Z)
• 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)
• Inferring Latent Domains for Unsupervised Deep Domain Adaptation [54.963823285456925]
  Unsupervised Domain Adaptation (UDA)は、ラベル付きデータが利用できないターゲットドメインでモデルを学習する問題を指す。 本稿では,視覚データセット中の潜在ドメインを自動的に発見することにより,udaの問題に対処する新しい深層アーキテクチャを提案する。 提案手法を公開ベンチマークで評価し,最先端のドメイン適応手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-03-25T14:33:33Z)
• Generation for adaption: a Gan-based approach for 3D Domain Adaption inPoint Cloud [10.614067060304919]
  Unsupervised Domain Adapt (UDA)は、ターゲットドメインラベルなしでそのような問題を解決することを目指しています。 本稿では,生成逆ネットワークを用いてソースドメインから合成データを生成する手法を提案する。 実験により,本手法は3つの一般的な3次元オブジェクト/シーンデータセットにおいて,最先端のUDA手法よりも優れた性能を示した。
  論文  参考訳（メタデータ） (2021-02-15T07:24:10Z)
• Multi-Source Deep Domain Adaptation with Weak Supervision for Time-Series Sensor Data [31.43183992755392]
  時系列データ(CoDATS)のための新しい畳み込み深層ドメイン適応モデルを提案する。 第二に、ターゲットドメインラベル分布の形での弱監督を生かして、新しいドメイン適応型弱スーパービジョン(DA-WS)手法を提案する。 第3に、ドメイン適応と弱い監督手法の有効性を評価するために、多様な実世界のデータセットに関する包括的な実験を行う。
  論文  参考訳（メタデータ） (2020-05-22T04:16:58Z)

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。