論文の概要: Not Every Side Is Equal: Localization Uncertainty Estimation for
Semi-Supervised 3D Object Detection
- arxiv url: http://arxiv.org/abs/2312.10390v1
- Date: Sat, 16 Dec 2023 09:08:03 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-19 16:54:31.342519
- Title: Not Every Side Is Equal: Localization Uncertainty Estimation for
Semi-Supervised 3D Object Detection
- Title(参考訳): すべての側面が等しくない:半教師付き3次元物体検出のための局所的不確かさ推定
- Authors: ChuXin Wang, Wenfei Yang, Tianzhu Zhang
- Abstract要約: 点雲からの半教師付き3Dオブジェクト検出は、少数のラベル付きデータと多数のラベルなしデータで検出器を訓練することを目的としている。
既存の方法は、各擬似境界ボックス全体を扱い、トレーニング中に各側面に等しい重要性を割り当てる。
3つの鍵設計からなる半教師付き3次元物体検出のためのサイドアウェアフレームワークを提案する。
- 参考スコア(独自算出の注目度): 38.77989138502667
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Semi-supervised 3D object detection from point cloud aims to train a detector
with a small number of labeled data and a large number of unlabeled data. The
core of existing methods lies in how to select high-quality pseudo-labels using
the designed quality evaluation criterion. However, these methods treat each
pseudo bounding box as a whole and assign equal importance to each side during
training, which is detrimental to model performance due to many sides having
poor localization quality. Besides, existing methods filter out a large number
of low-quality pseudo-labels, which also contain some correct regression values
that can help with model training. To address the above issues, we propose a
side-aware framework for semi-supervised 3D object detection consisting of
three key designs: a 3D bounding box parameterization method, an uncertainty
estimation module, and a pseudo-label selection strategy. These modules work
together to explicitly estimate the localization quality of each side and
assign different levels of importance during the training phase. Extensive
experiment results demonstrate that the proposed method can consistently
outperform baseline models under different scenes and evaluation criteria.
Moreover, our method achieves state-of-the-art performance on three datasets
with different labeled ratios.
- Abstract(参考訳): 点雲からの半教師付き3Dオブジェクト検出は、少数のラベル付きデータと多数のラベルなしデータで検出器を訓練することを目的としている。
既存の手法の核心は、設計した品質評価基準を用いて高品質な擬似ラベルを選択する方法にある。
しかし、これらの手法では、各擬似境界ボックスを全体として扱い、トレーニング中に各側に等しく重要度を割り当てるが、これは多くの側がローカライズ品質の悪いため、モデル性能に支障をきたす。
さらに、既存のメソッドは、モデルトレーニングに役立つ正確な回帰値を含む、多数の低品質の擬似ラベルをフィルタリングする。
そこで本研究では,3次元境界ボックスパラメータ化法,不確実性推定モジュール,擬似ラベル選択戦略という3つのキー設計からなる,半教師付き3次元物体検出のためのサイドアウェアフレームワークを提案する。
これらのモジュールは協力して、各サイドのローカライズ品質を明示的に見積もり、トレーニングフェーズで異なるレベルの重要度を割り当てる。
広範な実験結果から,提案手法は異なるシーンと評価基準でベースラインモデルに一貫して勝ることが示された。
さらに,ラベル比率の異なる3つのデータセットにおいて,最先端のパフォーマンスを実現する。
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) - Revisiting Domain-Adaptive 3D Object Detection by Reliable, Diverse and
Class-balanced Pseudo-Labeling [38.07637524378327]
ドメイン適応型3Dオブジェクト検出において,疑似ラベリング技術を用いた教師なしドメイン適応(DA)が重要なアプローチとして浮上している。
既存のDAメソッドは、マルチクラスのトレーニング環境に適用した場合、パフォーマンスが大幅に低下する。
本稿では,すべてのクラスを一度に検出する学習に適した新しいReDBフレームワークを提案する。
論文 参考訳(メタデータ) (2023-07-16T04:34:11Z) - Exploring Active 3D Object Detection from a Generalization Perspective [58.597942380989245]
不確実性に基づくアクティブな学習ポリシーは、ポイントクラウドの情報性とボックスレベルのアノテーションコストの間のトレードオフのバランスを取れません。
冗長な3次元境界ボックスラベルの点群を階層的にフィルタリングするtextscCrbを提案する。
実験により,提案手法が既存のアクティブラーニング戦略より優れていることが示された。
論文 参考訳(メタデータ) (2023-01-23T02:43:03Z) - 360-MLC: Multi-view Layout Consistency for Self-training and
Hyper-parameter Tuning [40.93848397359068]
モノクラールームモデルを微調整するための多視点レイアウト整合性に基づく自己学習手法である360-MLCを提案する。
我々は,複数のレイアウト推定におけるエントロピー情報を定量的な指標として活用し,シーンの幾何的整合性を測定する。
論文 参考訳(メタデータ) (2022-10-24T03:31:48Z) - Semi-supervised 3D Object Detection with Proficient Teachers [114.54835359657707]
自律運転のシナリオにおけるクラウドベースの3Dオブジェクト検出器の優位性は、大量の正確なラベル付きサンプルに大きく依存している。
Pseudo-Labeling法はSSLフレームワークで一般的に使用されているが、教師モデルの低品質な予測は、その性能を著しく制限している。
そこで本研究では,教師モデルをさらに高度化することで,半教師付き3次元物体検出のためのPseudo-Labelingフレームワークを提案する。
論文 参考訳(メタデータ) (2022-07-26T04:54:03Z) - 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) - 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)
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。