論文の概要: DCDet: Dynamic Cross-based 3D Object Detector

• arxiv url: http://arxiv.org/abs/2401.07240v1
• Date: Sun, 14 Jan 2024 10:08:30 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-17 19:07:42.795749
• Title: DCDet: Dynamic Cross-based 3D Object Detector
• Title（参考訳）: DCDet:動的クロスベース3Dオブジェクト検出器
• Authors: Shuai Liu, Boyang Li, Zhiyu Fang and Kai Huang
• Abstract要約: 代替ラベル割り当て戦略は、3Dオブジェクト検出において未探索のままである。 動的クロスラベル代入(DCLA)方式を導入し,各オブジェクトの正のサンプルを断面領域から動的に割り当てる。 また、回帰損失において広く用いられるL1メトリックを置き換えるために、回転重み付きユニオン(RWIoU)メトリックも導入した。
• 参考スコア（独自算出の注目度）: 9.978750138285301
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recently, significant progress has been made in the research of 3D object detection. However, most prior studies have focused on the utilization of center-based or anchor-based label assignment schemes. Alternative label assignment strategies remain unexplored in 3D object detection. We find that the center-based label assignment often fails to generate sufficient positive samples for training, while the anchor-based label assignment tends to encounter an imbalanced issue when handling objects of varying scales. To solve these issues, we introduce a dynamic cross label assignment (DCLA) scheme, which dynamically assigns positive samples for each object from a cross-shaped region, thus providing sufficient and balanced positive samples for training. Furthermore, to address the challenge of accurately regressing objects with varying scales, we put forth a rotation-weighted Intersection over Union (RWIoU) metric to replace the widely used L1 metric in regression loss. Extensive experiments demonstrate the generality and effectiveness of our DCLA and RWIoU-based regression loss. The Code will be available at https://github.com/Say2L/DCDet.git.
• Abstract（参考訳）: 近年, 3次元物体検出の研究において有意な進歩がみられた。 しかし、ほとんどの先行研究は、センターベースまたはアンカーベースラベル割り当てスキームの利用に焦点を当てている。 代替ラベル割り当て戦略は、3Dオブジェクト検出において未探索のままである。 センターベースのラベル割り当てはトレーニングのために十分な正のサンプルを生成しないことが多いが、アンカーベースのラベル割り当ては、様々なスケールのオブジェクトを扱う際に不均衡な問題に遭遇する傾向がある。 これらの課題を解決するために, 動的クロスラベル割当(DCLA)方式を導入し, 対象物に対して動的に正のサンプルを交叉領域から割り当てることで, 十分な正のサンプルとバランスの取れた正のサンプルをトレーニング用に提供する。 さらに,様々なスケールの物体を正確に後退させる課題に対処するために,回転重み付き交叉係数(rwiou)を用いて回帰損失のl1メトリックを置き換えた。 広汎な実験により,DCLAとRWIoUに基づく回帰損失の一般化と有効性を示した。 コードはhttps://github.com/Say2L/DCDet.gitで入手できる。

関連論文リスト

• Approaching Outside: Scaling Unsupervised 3D Object Detection from 2D Scene [22.297964850282177]
  教師なし3次元検出のためのLiDAR-2D Self-paced Learning (LiSe)を提案する。 RGB画像は、正確な2Dローカライゼーションキューを提供するLiDARデータの貴重な補完となる。 本フレームワークでは,適応型サンプリングと弱いモデルアグリゲーション戦略を組み込んだ自己評価学習パイプラインを考案する。
  論文  参考訳（メタデータ） (2024-07-11T14:58:49Z)
• 3D Adversarial Augmentations for Robust Out-of-Domain Predictions [115.74319739738571]
  ドメイン外データへの一般化の改善に注力する。 対象を逆向きに変形させるベクトルの集合を学習する。 本研究では,学習したサンプル非依存ベクトルをモデルトレーニング時に利用可能なオブジェクトに適用することにより,対数拡大を行う。
  論文  参考訳（メタデータ） (2023-08-29T17:58:55Z)
• 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)
• Dynamic Coarse-to-Fine Learning for Oriented Tiny Object Detection [47.02127854553912]
  向きの小さい物体の極端に幾何学的な形状と限られた特徴は、深刻なミスマッチと不均衡の問題を引き起こす。 我々は、DCFLと呼ばれる粗大なアサインラと共に、動的に先行する手法を提案する。 DOTA-v1.5, DOTA-v2.0, DIOR-Rデータセット上の1段検出器の最先端性能について検討した。
  論文  参考訳（メタデータ） (2023-04-18T10:09:22Z)
• Augment and Criticize: Exploring Informative Samples for Semi-Supervised Monocular 3D Object Detection [64.65563422852568]
  我々は、一般的な半教師付きフレームワークを用いて、難解な単分子3次元物体検出問題を改善する。 我々は、ラベルのないデータから豊富な情報的サンプルを探索する、新しい、シンプルで効果的なAugment and Criticize'フレームワークを紹介します。 3DSeMo_DLEと3DSeMo_FLEXと呼ばれる2つの新しい検出器は、KITTIのAP_3D/BEV(Easy)を3.5%以上改善した。
  論文  参考訳（メタデータ） (2023-03-20T16:28:15Z)
• 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)
• 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)
• Unsupervised Object Detection with LiDAR Clues [70.73881791310495]
  本稿では,LiDARの手がかりを用いた非教師対象検出のための最初の実用的手法を提案する。 提案手法では,まず3次元点雲に基づく候補オブジェクトセグメントを生成する。 そして、セグメントラベルを割り当て、セグメントラベルネットワークを訓練する反復的なセグメントラベル処理を行う。 ラベル付けプロセスは、長い尾とオープンエンドの分布の問題を軽減するために慎重に設計されている。
  論文  参考訳（メタデータ） (2020-11-25T18:59:54Z)
• Dense Label Encoding for Boundary Discontinuity Free Rotation Detection [69.75559390700887]
  本稿では,分類に基づく比較的研究の少ない方法論について検討する。 我々は2つの側面でフロンティアを推し進めるための新しい手法を提案する。 航空画像のための大規模公開データセットの実験と視覚解析は,我々のアプローチの有効性を示している。
  論文  参考訳（メタデータ） (2020-11-19T05:42:02Z)

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。