論文の概要: False Positive Sampling-based Data Augmentation for Enhanced 3D Object
Detection Accuracy
- arxiv url: http://arxiv.org/abs/2403.02639v2
- Date: Thu, 7 Mar 2024 12:24:53 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-08 16:24:03.697318
- Title: False Positive Sampling-based Data Augmentation for Enhanced 3D Object
Detection Accuracy
- Title(参考訳): 偽正サンプリングに基づく3次元物体検出精度向上のためのデータ拡張
- Authors: Jiyong Oh, Junhaeng Lee, Woongchan Byun, Minsang Kong and Sang Hun Lee
- Abstract要約: 限られた地中構造データによってもたらされる課題に対処するための拡張手法として,地中構造サンプリングが提案されている。
本研究は, 偽陽性サンプリングと呼ばれる新しい拡張手法を開発することにより, 地中構造サンプリングの限界を克服し, 3次元物体検出モデルの性能を向上させることを目的とする。
- 参考スコア(独自算出の注目度): 2.4886578404805526
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Recent studies have focused on enhancing the performance of 3D object
detection models. Among various approaches, ground-truth sampling has been
proposed as an augmentation technique to address the challenges posed by
limited ground-truth data. However, an inherent issue with ground-truth
sampling is its tendency to increase false positives. Therefore, this study
aims to overcome the limitations of ground-truth sampling and improve the
performance of 3D object detection models by developing a new augmentation
technique called false-positive sampling. False-positive sampling involves
retraining the model using point clouds that are identified as false positives
in the model's predictions. We propose an algorithm that utilizes both
ground-truth and false-positive sampling and an algorithm for building the
false-positive sample database. Additionally, we analyze the principles behind
the performance enhancement due to false-positive sampling and propose a
technique that applies the concept of curriculum learning to the sampling
strategy that encompasses both false-positive and ground-truth sampling
techniques. Our experiments demonstrate that models utilizing false-positive
sampling show a reduction in false positives and exhibit improved object
detection performance. On the KITTI and Waymo Open datasets, models with
false-positive sampling surpass the baseline models by a large margin.
- Abstract(参考訳): 近年,3次元物体検出モデルの性能向上に焦点が当てられている。
様々なアプローチの中で、接地サンプリングは、限られた接地データによって生じる課題に対処するための拡張技術として提案されている。
しかし、地中真実サンプリングの固有の問題は、偽陽性の増加傾向にある。
そこで本研究では, 偽陽性サンプリングと呼ばれる新しい拡張手法を開発し, 3次元物体検出モデルの性能向上を図ることを目的としている。
偽陽性サンプリングは、モデルの予測において偽陽性と認識される点雲を用いてモデルを再訓練する。
本研究では, 地中正と偽正のサンプリングを併用するアルゴリズムと, 偽正のサンプルデータベース構築のためのアルゴリズムを提案する。
さらに, 偽陽性サンプリングによる性能向上の背景にある原則を分析し, 偽陽性サンプリング技術と地味サンプリング技術の両方を含むサンプリング戦略にカリキュラム学習の概念を適用した手法を提案する。
実験の結果,偽陽性サンプリングを用いたモデルでは偽陽性が減少し,オブジェクト検出性能が向上した。
KITTIとWaymo Openのデータセットでは、偽陽性サンプリングモデルがベースラインモデルを上回っている。
関連論文リスト
- Data Diet: Can Trimming PET/CT Datasets Enhance Lesion Segmentation? [70.38903555729081]
我々はAutoPET3データ中心のトラックで競合するアプローチについて述べる。
AutoPETIIIデータセットでは、データセット全体をトレーニングしたモデルが望ましくない特性を示す。
我々は、スクラッチから再トレーニングする前に、モデル損失によって測定されたトレーニングデータセットから最も簡単なサンプルを取り除き、これを対処する。
論文 参考訳(メタデータ) (2024-09-20T14:47:58Z) - Fully Test-Time Adaptation for Monocular 3D Object Detection [43.208715152204995]
モノクロ3Dオブジェクト検出(Mono 3Det)は、単一のRGB画像から3Dオブジェクトを識別することを目的としている。
既存の手法では、トレーニングとテストデータが同じ分布に従っていると仮定することが多いが、実際のテストシナリオでは適用できないことがある。
フルテストタイム適応(Fully Test-time Adaptation)と呼ばれるMono 3Detの新しい適応パラダイムについて検討する。
トレーニングデータやテストラベルにアクセスせずに、テスト時に潜在的なデータ分散シフトを処理して、ラベルのないテストデータに十分にトレーニングされたモデルを適用することを目指している。
論文 参考訳(メタデータ) (2024-05-30T04:37:57Z) - Outlier Gradient Analysis: Efficiently Identifying Detrimental Training Samples for Deep Learning Models [36.05242956018461]
本稿では,影響関数と外乱勾配検出による有害トレーニングサンプルの同定とを橋渡しする。
まず, 合成データセットにおける外乱勾配解析手法の仮説を検証した。
次に、視覚モデルにおける誤ラベルサンプルの検出と、自然言語処理トランスフォーマーモデルの性能向上のためのデータサンプル選択の有効性を示す。
論文 参考訳(メタデータ) (2024-05-06T21:34:46Z) - Can You Rely on Your Model Evaluation? Improving Model Evaluation with
Synthetic Test Data [75.20035991513564]
本稿では,モデル評価を容易にする深層生成モデリングフレームワークである3Sテストを紹介する。
私たちの実験では、3Sテストが従来のベースラインより優れていることが示されています。
これらの結果は、限られた実テストデータから合成テストデータへのパラダイムシフトが必要かどうかという問題を提起する。
論文 参考訳(メタデータ) (2023-10-25T10:18:44Z) - Continual Test-time Domain Adaptation via Dynamic Sample Selection [38.82346845855512]
本稿では,連続テスト時間領域適応(CTDA)のための動的サンプル選択法を提案する。
誤情報を誤用するリスクを低減するため,高品質と低品質の両方のサンプルに共同正負の学習を適用した。
私たちのアプローチは3Dポイントのクラウドドメインでも評価されており、その汎用性とより広範な適用可能性を示している。
論文 参考訳(メタデータ) (2023-10-05T06:35:21Z) - Diffusion-based 3D Object Detection with Random Boxes [58.43022365393569]
既存のアンカーベースの3D検出方法は、アンカーの実証的な設定に依存しており、アルゴリズムはエレガンスを欠いている。
提案するDiff3Detは,検出ボックスを生成対象として考慮し,拡散モデルから3次元オブジェクト検出のための提案生成へ移行する。
推論段階では、モデルは予測結果にランダムボックスのセットを徐々に洗練する。
論文 参考訳(メタデータ) (2023-09-05T08:49:53Z) - Predicting Out-of-Distribution Error with Confidence Optimal Transport [17.564313038169434]
そこで本研究では,未知の分布におけるモデルの性能を付加アノテーションなしで予測する簡易かつ効果的な手法を提案する。
提案手法である信頼度最適輸送(COT)は,対象領域におけるモデルの性能を頑健に推定する。
その単純さにもかかわらず,提案手法は3つのベンチマークデータセットに対して最先端の結果を達成し,既存の手法よりも大きなマージンで性能を向上する。
論文 参考訳(メタデータ) (2023-02-10T02:27:13Z) - Feature-Level Debiased Natural Language Understanding [86.8751772146264]
既存の自然言語理解(NLU)モデルは、特定のデータセットで高いパフォーマンスを達成するために、データセットバイアスに依存することが多い。
本稿では, バイアスの潜在特性を緩和し, バイアスの動的性質を無視するために, DCT(Debiasing contrastive learning)を提案する。
DCTは、ディストリビューション内のパフォーマンスを維持しながら、アウトオブディストリビューションデータセットの最先端のベースラインを上回ります。
論文 参考訳(メタデータ) (2022-12-11T06:16:14Z) - Efficient Test-Time Model Adaptation without Forgetting [60.36499845014649]
テストタイム適応は、トレーニングとテストデータの間の潜在的な分散シフトに取り組むことを目指している。
信頼性および非冗長なサンプルを同定するためのアクティブなサンプル選択基準を提案する。
また、重要なモデルパラメータを劇的な変化から制約するFisher regularizerを導入します。
論文 参考訳(メタデータ) (2022-04-06T06:39:40Z) - Negative Data Augmentation [127.28042046152954]
負のデータ拡張サンプルは、データ分散のサポートに関する情報を提供することを示す。
我々は、NDAを識別器の合成データの追加源として利用する新しいGAN訓練目標を提案する。
実験により,本手法で訓練したモデルでは,異常検出能力の向上とともに条件付き・条件付き画像生成の改善を実現している。
論文 参考訳(メタデータ) (2021-02-09T20:28:35Z) - Simplify and Robustify Negative Sampling for Implicit Collaborative
Filtering [42.832851785261894]
本稿では,まず,モデル学習において潜在的に重要な事例が少数存在することを実証的に観察し,ネガティブな事例を新たに理解する。
次に、メモリに格納された高分散サンプルを好んで、修正されていない偽陰性問題に取り組む。
2つの合成データセットと3つの実世界のデータセットの実証結果は、我々の負サンプリング法の堅牢性と優位性を示している。
論文 参考訳(メタデータ) (2020-09-07T19:08:26Z)
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。