論文の概要: An Empirical Study of the Generalization Ability of Lidar 3D Object
Detectors to Unseen Domains
- arxiv url: http://arxiv.org/abs/2402.17562v1
- Date: Tue, 27 Feb 2024 15:02:17 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-28 15:56:36.231261
- Title: An Empirical Study of the Generalization Ability of Lidar 3D Object
Detectors to Unseen Domains
- Title(参考訳): ライダー3次元物体検出器の未知領域への一般化能力に関する実証的研究
- Authors: George Eskandar, Chongzhe Zhang, Abhishek Kaushik, Karim Guirguis,
Mohamed Sayed, Bin Yang
- Abstract要約: 3Dオブジェクト検出器(3D-OD)は多くのロボット作業、特に自律運転における環境理解に不可欠である。
ここでは、ドメイン適応に先立って堅牢性に影響を与える基本的な要素に焦点を当て、3D-ODの詳細に焦点を当てる。
主な知見は,(1) 局地的特徴を持つトランスフォーマーバックボーンは3次元CNNよりも頑丈であり,(2) テスト時アンカーサイズ調整は地理的な位置の適応に不可欠であり,また,再トレーニングを伴わずにスコアを著しく向上させ,(4) 意外なことに,悪天候に対するロバスト性は,悪天候データを用いたトレーニングよりもクリーンな気象データを直接トレーニングする場合に向上する。
- 参考スコア(独自算出の注目度): 6.4288046828223315
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: 3D Object Detectors (3D-OD) are crucial for understanding the environment in
many robotic tasks, especially autonomous driving. Including 3D information via
Lidar sensors improves accuracy greatly. However, such detectors perform poorly
on domains they were not trained on, i.e. different locations, sensors,
weather, etc., limiting their reliability in safety-critical applications.
There exist methods to adapt 3D-ODs to these domains; however, these methods
treat 3D-ODs as a black box, neglecting underlying architectural decisions and
source-domain training strategies. Instead, we dive deep into the details of
3D-ODs, focusing our efforts on fundamental factors that influence robustness
prior to domain adaptation.
We systematically investigate four design choices (and the interplay between
them) often overlooked in 3D-OD robustness and domain adaptation: architecture,
voxel encoding, data augmentations, and anchor strategies. We assess their
impact on the robustness of nine state-of-the-art 3D-ODs across six benchmarks
encompassing three types of domain gaps - sensor type, weather, and location.
Our main findings are: (1) transformer backbones with local point features
are more robust than 3D CNNs, (2) test-time anchor size adjustment is crucial
for adaptation across geographical locations, significantly boosting scores
without retraining, (3) source-domain augmentations allow the model to
generalize to low-resolution sensors, and (4) surprisingly, robustness to bad
weather is improved when training directly on more clean weather data than on
training with bad weather data. We outline our main conclusions and findings to
provide practical guidance on developing more robust 3D-ODs.
- Abstract(参考訳): 3Dオブジェクト検出器(3D-OD)は多くのロボット作業、特に自律運転における環境理解に不可欠である。
3D情報を含むLidarセンサーは精度を大幅に向上させる。
しかし、そのような検出器は、異なる場所、センサー、天気など、訓練されていない領域で性能が悪く、安全クリティカルな用途における信頼性が制限される。
これらの領域に3D-ODを適用する方法は存在するが、これらの手法は3D-ODをブラックボックスとして扱う。
その代わり、3d-odsの詳細を深く掘り下げ、ドメイン適応前の堅牢性に影響を与える基本的な要因に重点を置いています。
アーキテクチャ,ボクセルエンコーディング,データ拡張,アンカー戦略という,3D-ODの堅牢性やドメイン適応にしばしば見過ごされる4つの設計選択(とそれら間の相互作用)を体系的に検討する。
センサタイプ,天気,位置情報の3種類の領域ギャップを包含する6つのベンチマークにおいて,最先端の9つの3d-odのロバスト性への影響を評価した。
その結果,(1)局所点特徴を有するトランスフォーマーバックボーンは3d cnnよりも頑健であり,(2)地理的位置への適応にはテスト時間アンカーサイズ調整が不可欠であり,再トレーニングなしにスコアを著しく向上させる,(3)ソース領域拡張により低分解能センサへの一般化が可能であり,(4)驚くほど,気象データによるトレーニングよりもクリーンな気象データを直接トレーニングすることで,悪天候に対する堅牢性が向上した。
より堅牢な3D-ODの開発に関する実践的なガイダンスを提供するため,本研究の主な結論と成果を概説する。
関連論文リスト
- Revisiting Cross-Domain Problem for LiDAR-based 3D Object Detection [5.149095033945412]
我々は最先端モデルのクロスドメイン性能を深く分析する。
ほとんどのモデルはトレーニングドメインに過度に適合し、それを他のドメインに直接適用することは困難である。
我々は、メソッドの精度レベルにおける過度な低下の中核的な問題を分析するために、サイドビューとフロントビューAPという、さらなる評価指標を提案する。
論文 参考訳(メタデータ) (2024-08-22T19:52:44Z) - Exploring Domain Shift on Radar-Based 3D Object Detection Amidst Diverse Environmental Conditions [15.767261586617746]
この研究は、4Dレーダーによる物体検出において、しばしば見過ごされがちな領域シフトの問題について考察する。
以上の結果から,様々な気象シナリオにまたがるドメインシフトが明らかになり,ユニークなデータセットの感度が明らかになった。
異なる道路タイプ、特に高速道路から都市環境への移行は、顕著な領域シフトをもたらします。
論文 参考訳(メタデータ) (2024-08-13T09:55:38Z) - 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) - UADA3D: Unsupervised Adversarial Domain Adaptation for 3D Object Detection with Sparse LiDAR and Large Domain Gaps [2.79552147676281]
3次元物体検出(UADA3D)のための教師なし反転領域適応法について紹介する。
様々な適応シナリオにおいて有効性を示し、自動運転車と移動ロボットの両方の領域で顕著に改善されていることを示す。
私たちのコードはオープンソースで、まもなく利用可能になります。
論文 参考訳(メタデータ) (2024-03-26T12:08:14Z) - AdvMono3D: Advanced Monocular 3D Object Detection with Depth-Aware
Robust Adversarial Training [64.14759275211115]
そこで本研究では,DART3Dと呼ばれるモノクル3次元物体検出のための,深度対応の頑健な対向学習法を提案する。
我々の敵の訓練アプローチは、本質的な不確実性に乗じて、敵の攻撃に対する堅牢性を大幅に向上させる。
論文 参考訳(メタデータ) (2023-09-03T07:05:32Z) - MS3D++: Ensemble of Experts for Multi-Source Unsupervised Domain
Adaptation in 3D Object Detection [12.005805403222354]
未知の領域に3D検出器を配置すると、検出率が70-90%低下することが示されている。
我々は,MS3D++を紹介した。MS3D++は3Dオブジェクト検出において,マルチソースな教師なしドメイン適応のための自己学習フレームワークである。
MS3D++は高品質な擬似ラベルを生成し、3D検出器は様々なライダータイプで高い性能を達成できる。
論文 参考訳(メタデータ) (2023-08-11T07:56:10Z) - MS3D: Leveraging Multiple Detectors for Unsupervised Domain Adaptation
in 3D Object Detection [7.489722641968593]
マルチソース3D(MS3D)は、3Dオブジェクト検出における教師なしドメイン適応のための新しい自己学習パイプラインである。
提案するKernel-Density Estimation (KDE) Box Fusion法は,複数のドメインからのボックス提案を融合して擬似ラベルを得る。
MS3Dはドメインシフトに対してより堅牢性を示し、より大きな距離で正確な擬似ラベルを生成する。
論文 参考訳(メタデータ) (2023-04-05T13:29:21Z) - Robo3D: Towards Robust and Reliable 3D Perception against Corruptions [58.306694836881235]
我々は,3次元検出器とセグメンタのロバスト性を,アウト・オブ・ディストリビューションのシナリオで検証するための,最初の総合的なベンチマークであるRobo3Dを紹介する。
気象条件の悪化,外乱,センサの故障などに起因する8種類の汚職について検討した。
本稿では,モデルレジリエンスを高めるための簡易なフレキシブルなボキセル化戦略とともに,密度に敏感なトレーニングフレームワークを提案する。
論文 参考訳(メタデータ) (2023-03-30T17:59:17Z) - AGO-Net: Association-Guided 3D Point Cloud Object Detection Network [86.10213302724085]
ドメイン適応によるオブジェクトの無傷な特徴を関連付ける新しい3D検出フレームワークを提案する。
我々は,KITTIの3D検出ベンチマークにおいて,精度と速度の両面で最新の性能を実現する。
論文 参考訳(メタデータ) (2022-08-24T16:54:38Z) - Unsupervised Domain Adaptive 3D Detection with Multi-Level Consistency [90.71745178767203]
ディープラーニングに基づく3Dオブジェクト検出は、大規模な自律走行データセットの出現によって、前例のない成功を収めた。
既存の3Dドメイン適応検出手法は、しばしばターゲットのドメインアノテーションへの事前アクセスを前提とします。
我々は、ソースドメインアノテーションのみを利用する、より現実的な、教師なしの3Dドメイン適応検出について研究する。
論文 参考訳(メタデータ) (2021-07-23T17:19:23Z) - 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)
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。