論文の概要: SOAP: Cross-sensor Domain Adaptation for 3D Object Detection Using
Stationary Object Aggregation Pseudo-labelling
- arxiv url: http://arxiv.org/abs/2401.04230v1
- Date: Mon, 8 Jan 2024 20:41:08 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-10 18:37:49.716292
- Title: SOAP: Cross-sensor Domain Adaptation for 3D Object Detection Using
Stationary Object Aggregation Pseudo-labelling
- Title（参考訳）: SOAP:定常物体凝集法による3次元物体検出のためのクロスセンサ領域適応
- Authors: Chengjie Huang, Vahdat Abdelzad, Sean Sedwards, Krzysztof Czarnecki
- Abstract要約: 定常オブジェクトに対する高品質な擬似ラベルを生成するために,定常オブジェクト集合擬似ラベリング(SOAP)を提案する。
少数の入力スキャンを集約する現在の最先端のドメイン内プラクティスとは対照的に、SOAPは入力レベルでポイントクラウドの全シーケンスを集約し、センサードメインのギャップを減らします。
我々の結果は、教師なしと半教師なしの両方の設定において、最先端のドメイン適応アプローチがSOAPと組み合わせてさらにパフォーマンスを向上できることを示している。
- 参考スコア（独自算出の注目度）: 4.7368661961661775
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We consider the problem of cross-sensor domain adaptation in the context of
LiDAR-based 3D object detection and propose Stationary Object Aggregation
Pseudo-labelling (SOAP) to generate high quality pseudo-labels for stationary
objects. In contrast to the current state-of-the-art in-domain practice of
aggregating just a few input scans, SOAP aggregates entire sequences of point
clouds at the input level to reduce the sensor domain gap. Then, by means of
what we call quasi-stationary training and spatial consistency post-processing,
the SOAP model generates accurate pseudo-labels for stationary objects, closing
a minimum of 30.3% domain gap compared to few-frame detectors. Our results also
show that state-of-the-art domain adaptation approaches can achieve even
greater performance in combination with SOAP, in both the unsupervised and
semi-supervised settings.
- Abstract（参考訳）: 本稿では,LiDARに基づく3次元物体検出の文脈におけるクロスセンサ領域適応の問題点を考察し,定常物体に対する高品質な擬似ラベルを生成するための定常物体集合擬似ラベリング(SOAP)を提案する。
少数の入力スキャンを集約する現在の最先端のドメイン内プラクティスとは対照的に、SOAPは入力レベルでポイントクラウドの全シーケンスを集約し、センサードメインのギャップを減らします。
次に、準定常トレーニングと空間整合後処理という手法を用いて、SOAPモデルは静止オブジェクトの正確な擬似ラベルを生成し、最小30.3%のドメインギャップを少数のフレーム検出器と比較する。
我々の結果は、教師なしと半教師なしの両方の設定において、最先端のドメイン適応アプローチがSOAPと組み合わせることでさらにパフォーマンスを向上できることを示している。
関連論文リスト
- DiffuBox: Refining 3D Object Detection with Point Diffusion [74.01759893280774]
本研究では,3次元物体の検出と局所化を確保するために,新しい拡散型ボックス精細化手法を提案する。
提案手法は,様々なドメイン適応設定下で評価し,その結果,異なるデータセット間での大幅な改善が示された。
論文 参考訳（メタデータ） (2024-05-25T03:14:55Z) - Inter-Domain Mixup for Semi-Supervised Domain Adaptation [108.40945109477886]
半教師付きドメイン適応(SSDA)は、ソースとターゲットのドメイン分布をブリッジすることを目的としており、少数のターゲットラベルが利用可能である。
既存のSSDAの作業は、ソースドメインとターゲットドメインの両方からラベル情報をフル活用して、ドメイン間の機能アライメントに失敗する。
本稿では,新しいSSDA手法であるIDMNE(Inter-domain Mixup with Neighborhood Expansion)を提案する。
論文 参考訳（メタデータ） (2024-01-21T10:20:46Z) - 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) - 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) - ADAS: A Simple Active-and-Adaptive Baseline for Cross-Domain 3D Semantic
Segmentation [38.66509154973051]
本研究では,よく訓練された3次元セグメンテーションモデルの弱いクロスドメイン一般化能力を高めるために,アクティブ・アンド・アダプティブ(ADAS)ベースラインを提案する。
ADASは、有効適応のために、ソースドメインとターゲットドメインの両方から最大不変サブセットを選択するアクティブサンプリング操作を実行する。
1) 対象ドメインからのすべてのサンプルがラベル付けされていないことを意味するUnsupervised Domain Adaptation (UDA)、2) Unsupervised Few-shot Domain Adaptation (UFDA)、つまり、ラベル付けされていないサンプルがラベル付けされていないターゲットドメインでのみ利用可能であることを意味する。
論文 参考訳（メタデータ） (2022-12-20T16:17:40Z) - 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) - Semi-Supervised Domain Adaptation with Prototypical Alignment and
Consistency Learning [86.6929930921905]
本稿では,いくつかの対象サンプルがラベル付けされていれば,ドメインシフトに対処するのにどの程度役立つか検討する。
ランドマークの可能性を最大限に追求するために、ランドマークから各クラスのターゲットプロトタイプを計算するプロトタイプアライメント(PA)モジュールを組み込んでいます。
具体的には,ラベル付き画像に深刻な摂動を生じさせ,PAを非自明にし,モデル一般化性を促進する。
論文 参考訳（メタデータ） (2021-04-19T08:46:08Z) - ST3D: Self-training for Unsupervised Domain Adaptation on 3D
ObjectDetection [78.71826145162092]
点雲からの3次元物体検出における教師なし領域適応のための新しい領域適応型自己学習パイプラインST3Dを提案する。
当社のST3Dは、評価されたすべてのデータセットで最先端のパフォーマンスを達成し、KITTI 3Dオブジェクト検出ベンチマークで完全に監視された結果を超えます。
論文 参考訳（メタデータ） (2021-03-09T10:51:24Z) - Complete & Label: A Domain Adaptation Approach to Semantic Segmentation
of LiDAR Point Clouds [49.47017280475232]
3次元点雲のセマンティックラベリングにおける教師なし領域適応問題について検討する。
セグメンテーションネットワークに渡す前に、基盤となる表面を復元するためにComplete と Label のアプローチを採用する。
回収された3D表面は標準領域として機能し、そこからセマンティックラベルが異なるLiDARセンサー間で転送される。
論文 参考訳（メタデータ） (2020-07-16T17:42:05Z)
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。