論文の概要: UADA3D: Unsupervised Adversarial Domain Adaptation for 3D Object Detection with Sparse LiDAR and Large Domain Gaps

• arxiv url: http://arxiv.org/abs/2403.17633v4
• Date: Mon, 21 Oct 2024 11:34:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-22 13:14:11.927009
• Title: UADA3D: Unsupervised Adversarial Domain Adaptation for 3D Object Detection with Sparse LiDAR and Large Domain Gaps
• Title（参考訳）: UADA3D:Sparse LiDARとLarge Domain Gapsを用いた3次元物体検出のための教師なし逆数領域適応
• Authors: Maciej K Wozniak, Mattias Hansson, Marko Thiel, Patric Jensfelt,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 2.79552147676281
• License:
• Abstract: In this study, we address a gap in existing unsupervised domain adaptation approaches on LiDAR-based 3D object detection, which have predominantly concentrated on adapting between established, high-density autonomous driving datasets. We focus on sparser point clouds, capturing scenarios from different perspectives: not just from vehicles on the road but also from mobile robots on sidewalks, which encounter significantly different environmental conditions and sensor configurations. We introduce Unsupervised Adversarial Domain Adaptation for 3D Object Detection (UADA3D). UADA3D does not depend on pre-trained source models or teacher-student architectures. Instead, it uses an adversarial approach to directly learn domain-invariant features. We demonstrate its efficacy in various adaptation scenarios, showing significant improvements in both self-driving car and mobile robot domains. Our code is open-source and will be available soon.
• Abstract（参考訳）: 本研究では,LiDARをベースとした3次元物体検出において,既存の教師なし領域適応手法のギャップに対処する。 道路上の車両だけでなく、歩道上の移動ロボットからも、環境条件やセンサーの設定がかなり異なります。 本稿では,3次元物体検出(UADA3D)のための非教師付き反転領域適応法を提案する。 UADA3Dは、事前訓練されたソースモデルや教師-学生アーキテクチャに依存しない。 代わりに、ドメイン不変の機能を直接学習するために、敵対的なアプローチを使う。 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。

関連論文リスト

• Detect Closer Surfaces that can be Seen: New Modeling and Evaluation in Cross-domain 3D Object Detection [7.464834150824093]
  本研究では,エゴ車両のセンサに近接する表面を検出する3次元物体検出モデルの能力を測定するための2つの指標を提案する。 また、学習可能な近接面にもっと焦点を合わせるために、EdgeHeadという改良ヘッドも提案しています。
  論文  参考訳（メタデータ） (2024-07-04T17:06:16Z)
• GPA-3D: Geometry-aware Prototype Alignment for Unsupervised Domain Adaptive 3D Object Detection from Point Clouds [19.1949602403668]
  既存の領域適応型3D検出法では,特徴空間における分布差の問題を適切に考慮していない。 本研究では, 点雲オブジェクトからの固有幾何学的関係を明示的に活用し, 特徴差を低減した, 教師なし領域適応型textbf3D 検出フレームワークを提案する。 nuScenes や KITTI など,様々なベンチマークで得られた評価結果は,GPA-3D の適応シナリオに対する最先端アプローチよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-08-16T04:15:21Z)
• Unsupervised Adaptation from Repeated Traversals for Autonomous Driving [54.59577283226982]
  自動運転車はエンドユーザー環境に一般化し、確実に動作させなければならない。 潜在的な解決策の1つは、エンドユーザの環境から収集されたラベルのないデータを活用することである。 適応過程を監督する信頼性のある信号はターゲット領域に存在しない。 この単純な仮定は、ターゲット領域上の3次元物体検出器の反復的自己学習を可能にする強力な信号を得るのに十分であることを示す。
  論文  参考訳（メタデータ） (2023-03-27T15:07:55Z)
• 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)
• 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)
• Exploiting Playbacks in Unsupervised Domain Adaptation for 3D Object Detection [55.12894776039135]
  ディープラーニングに基づく最先端の3Dオブジェクト検出器は、有望な精度を示しているが、ドメインの慣用性に過度に適合する傾向がある。 対象領域の擬似ラベルの検出器を微調整することで,このギャップを大幅に削減する新たな学習手法を提案する。 5つの自律運転データセットにおいて、これらの擬似ラベル上の検出器を微調整することで、新しい運転環境への領域ギャップを大幅に減らすことを示す。
  論文  参考訳（メタデータ） (2021-03-26T01:18:11Z)
• 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)
• Train in Germany, Test in The USA: Making 3D Object Detectors Generalize [59.455225176042404]
  ディープラーニングにより、LiDARやステレオカメラデータなどの3Dオブジェクト検出精度が大幅に向上した。 自動運転のためのほとんどのデータセットは、1つの国内の都市の狭い部分で収集される。 本稿では,あるデータセットから別のデータセットに3Dオブジェクト検出器を適応させる作業について考察する。
  論文  参考訳（メタデータ） (2020-05-17T00:56:18Z)

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。