論文の概要: Domain Generalization in LiDAR Semantic Segmentation Leveraged by
Density Discriminative Feature Embedding
- arxiv url: http://arxiv.org/abs/2312.12098v1
- Date: Tue, 19 Dec 2023 12:21:09 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-20 15:52:59.497621
- Title: Domain Generalization in LiDAR Semantic Segmentation Leveraged by
Density Discriminative Feature Embedding
- Title（参考訳）: 密度識別的特徴埋め込みによるLiDARセマンティックセマンティックセグメンテーションのドメイン一般化
- Authors: Jaeyeul Kim, Jungwan Woo, Jeonghoon Kim, Sunghoon Im
- Abstract要約: 我々は,LiDARからシーンまでの距離による点密度の変化という,LiDARの基本的な特徴を認識する新しいアプローチを導入する。
本稿では,密度に関する特徴を具体的に抽出するDDFEモジュールを提案する。
本稿では,密度スペクトルの拡大とDDFEの高機能化を目的とした,単純だが効果的な密度拡張手法を提案する。
- 参考スコア（独自算出の注目度）: 12.307893285306797
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: While significant progress has been achieved in LiDAR-based perception,
domain generalization continues to present challenges, often resulting in
reduced performance when encountering unfamiliar datasets due to domain
discrepancies. One of the primary hurdles stems from the variability of LiDAR
sensors, leading to inconsistencies in point cloud density distribution. Such
inconsistencies can undermine the effectiveness of perception models. We
address this challenge by introducing a new approach that acknowledges a
fundamental characteristic of LiDAR: the variation in point density due to the
distance from the LiDAR to the scene, and the number of beams relative to the
field of view. Understanding this, we view each LiDAR's point cloud at various
distances as having distinct density distributions, which can be consistent
across different LiDAR models. With this insight, we propose the Density
Discriminative Feature Embedding (DDFE) module, crafted to specifically extract
features related to density while ensuring domain invariance across different
LiDAR sensors. In addition, we introduce a straightforward but effective
density augmentation technique, designed to broaden the density spectrum and
enhance the capabilities of the DDFE. The proposed DDFE stands out as a
versatile and lightweight domain generalization module. It can be seamlessly
integrated into various 3D backbone networks, consistently outperforming
existing state-of-the-art domain generalization approaches. We commit to
releasing the source code publicly to foster community collaboration and
advancement.
- Abstract（参考訳）: LiDARベースの認識では大きな進歩を遂げているが、ドメインの一般化は課題を呈し続けており、しばしばドメインの相違により未知のデータセットに遭遇する場合にパフォーマンスが低下する。
主なハードルの1つは、LiDARセンサーの変動性から来ており、点雲密度分布の不整合をもたらす。
このような矛盾は知覚モデルの有効性を損なう可能性がある。
我々は,LiDARの基本的な特徴として,LiDARからシーンへの距離による点密度の変動と,視野に対するビームの数という,新たなアプローチを導入することで,この問題に対処する。
これを理解するために、各LiDARの点雲は異なる密度分布を持ち、異なるLiDARモデル間で一貫性があると見なす。
そこで本研究では,異なるLiDARセンサ間の領域不変性を確保しつつ,密度に関連する特徴を具体的に抽出するDDFEモジュールを提案する。
さらに,直感的だが効果的な密度向上手法を導入し,密度スペクトルの拡大とDDFEの性能向上を図る。
DDFEは汎用的で軽量なドメイン一般化モジュールである。
さまざまな3dバックボーンネットワークにシームレスに統合でき、既存の最先端のドメイン一般化アプローチを一貫して上回ることができる。
コミュニティのコラボレーションと進歩を促進するために、ソースコードを公開することを約束します。
関連論文リスト
- DFR-Net: Density Feature Refinement Network for Image Dehazing Utilizing
Haze Density Difference [0.6165605009782557]
画像デハジングタスクでは、ヘイズ密度が重要な特徴であり、デハジング手法の性能に影響を与える。
本稿では,密度差からヘイズ密度特徴を抽出する密度特徴再構成ネットワーク(DFR-Net)を提案する。
論文 参考訳（メタデータ） (2023-07-26T02:53:29Z) - Semantic Segmentation on 3D Point Clouds with High Density Variations [44.467561618769714]
HDVNetにはネストしたエンコーダとデコーダの経路があり、それぞれが特定の点密度範囲を扱う。
入力密度の変動を効果的に処理することにより、HDVNetは、非一貫性密度の実点雲上でのセグメンテーション精度において最先端のモデルより優れる。
論文 参考訳（メタデータ） (2023-07-04T05:44:13Z) - 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) - RAIN: RegulArization on Input and Network for Black-Box Domain
Adaptation [80.03883315743715]
ソースのないドメイン適応は、ソースデータを公開することなく、ソース訓練されたモデルをターゲットドメインに転送する。
このパラダイムは、ソースモデルに対する敵対的な攻撃のため、データ漏洩のリスクがある。
そこで我々は,入力レベルとネットワークレベルの両方の正規化からブラックボックスドメインを適応させる新しい手法であるRAIN(RegulArization on Input and Network)を提案する。
論文 参考訳（メタデータ） (2022-08-22T18:18:47Z) - LiDAR Distillation: Bridging the Beam-Induced Domain Gap for 3D Object
Detection [96.63947479020631]
多くの現実世界の応用において、大量生産されたロボットや車両が使用するLiDARポイントは通常、大規模な公開データセットよりもビームが少ない。
異なるLiDARビームによって誘導される領域ギャップをブリッジして3次元物体検出を行うLiDAR蒸留法を提案する。
論文 参考訳（メタデータ） (2022-03-28T17:59:02Z) - Point Density-Aware Voxels for LiDAR 3D Object Detection [8.136649838488042]
Point Density-Aware Voxel Network (PDV) は、2段階のLiDAR 3Dオブジェクト検出アーキテクチャである。
PDVは、3Dスパースバックボーンからボクセル点セントロイドを介して効率的にボクセル特徴を局在させる。
PDVはOpenデータセットのすべての最先端メソッドより優れています。
論文 参考訳（メタデータ） (2022-03-10T22:11:06Z) - META: Mimicking Embedding via oThers' Aggregation for Generalizable
Person Re-identification [68.39849081353704]
Domain Generalizable (DG) Person Re-identification (ReID)は、トレーニング時に対象のドメインデータにアクセスすることなく、見えないドメインをまたいでテストすることを目的としている。
本稿では,DG ReID のための OThers' Aggregation (META) を用いた Mimicking Embedding という新しい手法を提案する。
論文 参考訳（メタデータ） (2021-12-16T08:06:50Z) - Domain Attention Consistency for Multi-Source Domain Adaptation [100.25573559447551]
主な設計は、伝達可能な特徴(属性)を識別することを目的とした機能チャネルアテンションモジュールである。
3つのMSDAベンチマーク実験により、DAC-Netは、それらすべてに対して、新たなパフォーマンスを実現することが示された。
論文 参考訳（メタデータ） (2021-11-06T15:56:53Z) - ePointDA: An End-to-End Simulation-to-Real Domain Adaptation Framework
for LiDAR Point Cloud Segmentation [111.56730703473411]
LiDARデータ上でディープニューラルネットワーク(DNN)をトレーニングするには、大規模なポイントワイドアノテーションが必要である。
シミュレーション・トゥ・リアル・ドメイン適応(SRDA)は、DNNを無制限の合成データと自動生成されたラベルで訓練する。
ePointDAは、自己教師付きドロップアウトノイズレンダリング、統計不変および空間適応型特徴アライメント、転送可能なセグメンテーション学習の3つのモジュールで構成されている。
論文 参考訳（メタデータ） (2020-09-07T23:46:08Z) - Density-Aware Graph for Deep Semi-Supervised Visual Recognition [102.9484812869054]
半教師付き学習(SSL)は、視覚認識のためのディープニューラルネットワークの一般化能力を改善するために広く研究されている。
本稿では,周辺情報を容易に活用できる新しい密度対応グラフを構築することでSSL問題を解決することを提案する。
論文 参考訳（メタデータ） (2020-03-30T02:52:40Z)
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。