論文の概要: Rethinking LiDAR Domain Generalization: Single Source as Multiple Density Domains

• arxiv url: http://arxiv.org/abs/2312.12098v2
• Date: Tue, 16 Jul 2024 11:24:01 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-17 23:40:44.556617
• Title: Rethinking LiDAR Domain Generalization: Single Source as Multiple Density Domains
• Title（参考訳）: LiDAR領域の一般化を再考する:多重密度領域としての単一ソース
• Authors: Jaeyeul Kim, Jungwan Woo, Jeonghoon Kim, Sunghoon Im,
• Abstract要約: 領域一般化のための密度識別特徴埋め込み (DDFE) モジュールを提案する。 DDFEモジュールは、単一のソースドメイン内で密度固有の特徴を抽出するために慎重に設計されている。 さらに、ソースデータの密度スペクトルを拡大することを目的とした、シンプルながら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）: 11.26654706501546
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In the realm of LiDAR-based perception, significant strides have been made, yet domain generalization remains a substantial challenge. The performance often deteriorates when models are applied to unfamiliar datasets with different LiDAR sensors or deployed in new environments, primarily due to variations in point cloud density distributions. To tackle this challenge, we propose a Density Discriminative Feature Embedding (DDFE) module, capitalizing on the observation that a single source LiDAR point cloud encompasses a spectrum of densities. The DDFE module is meticulously designed to extract density-specific features within a single source domain, facilitating the recognition of objects sharing similar density characteristics across different LiDAR sensors. In addition, we introduce a simple yet effective density augmentation technique aimed at expanding the spectrum of density in source data, thereby enhancing the capabilities of the DDFE. Our DDFE stands out as a versatile and lightweight domain generalization module. It can be seamlessly integrated into various 3D backbone networks, where it has demonstrated superior performance over current state-of-the-art domain generalization methods. Code is available at https://github.com/dgist-cvlab/MultiDensityDG.
• Abstract（参考訳）: LiDARに基づく認識の領域では、重要な進歩がなされているが、領域の一般化は依然として重大な課題である。 この性能は、異なるLiDARセンサーを持つ未知のデータセットにモデルを適用する場合や、主に点雲密度分布の変化のために新しい環境にデプロイする場合に劣化することが多い。 この課題に対処するために、単一ソースのLiDAR点雲が密度のスペクトルを包含しているという観測に乗じて、DDFE(Divate Discriminative Feature Embedding)モジュールを提案する。 DDFEモジュールは、単一のソースドメイン内で密度固有の特徴を抽出し、異なるLiDARセンサー間で類似した密度特性を共有するオブジェクトの認識を容易にするように設計されている。 さらに、ソースデータの密度スペクトルを拡大し、DDFEの能力を高めることを目的とした、シンプルで効果的な密度拡張手法を導入する。 DDFEは汎用的で軽量なドメイン一般化モジュールとして際立っている。 様々な3Dバックボーンネットワークにシームレスに統合することができ、現在の最先端ドメイン一般化法よりも優れた性能を示している。 コードはhttps://github.com/dgist-cvlab/MultiDensityDGで入手できる。

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。