論文の概要: Semi-supervised 3D Object Detection with PatchTeacher and PillarMix

• arxiv url: http://arxiv.org/abs/2407.09787v1
• Date: Sat, 13 Jul 2024 06:58:49 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-16 20:47:21.585500
• Title: Semi-supervised 3D Object Detection with PatchTeacher and PillarMix
• Title（参考訳）: PatchTeacher と PillarMix を用いた半教師付き3次元物体検出
• Authors: Xiaopei Wu, Liang Peng, Liang Xie, Yuenan Hou, Binbin Lin, Xiaoshui Huang, Haifeng Liu, Deng Cai, Wanli Ouyang,
• Abstract要約: 現在の半教師付き3Dオブジェクト検出法では、教師が学生に擬似ラベルを生成するのが一般的である。 学生に高品質な擬似ラベルを提供するために,部分的なシーン3Dオブジェクト検出に焦点を当てたPatchTeacherを提案する。 本稿では,PatchTeacherの性能向上のために,Patch Normalizer,Quadrant Align,Fovea Selectionの3つの重要なテクニックを紹介する。
• 参考スコア（独自算出の注目度）: 71.4908268136439
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Semi-supervised learning aims to leverage numerous unlabeled data to improve the model performance. Current semi-supervised 3D object detection methods typically use a teacher to generate pseudo labels for a student, and the quality of the pseudo labels is essential for the final performance. In this paper, we propose PatchTeacher, which focuses on partial scene 3D object detection to provide high-quality pseudo labels for the student. Specifically, we divide a complete scene into a series of patches and feed them to our PatchTeacher sequentially. PatchTeacher leverages the low memory consumption advantage of partial scene detection to process point clouds with a high-resolution voxelization, which can minimize the information loss of quantization and extract more fine-grained features. However, it is non-trivial to train a detector on fractions of the scene. Therefore, we introduce three key techniques, i.e., Patch Normalizer, Quadrant Align, and Fovea Selection, to improve the performance of PatchTeacher. Moreover, we devise PillarMix, a strong data augmentation strategy that mixes truncated pillars from different LiDAR scans to generate diverse training samples and thus help the model learn more general representation. Extensive experiments conducted on Waymo and ONCE datasets verify the effectiveness and superiority of our method and we achieve new state-of-the-art results, surpassing existing methods by a large margin. Codes are available at https://github.com/LittlePey/PTPM.
• Abstract（参考訳）: 半教師付き学習は、多数のラベルのないデータを活用してモデルの性能を向上させることを目的としている。 現在の半教師付き3Dオブジェクト検出法では、教師が学生に擬似ラベルを生成するのが一般的であり、擬似ラベルの品質は最終的なパフォーマンスに欠かせない。 本稿では,学生に高品質な擬似ラベルを提供するために,部分的なシーン3Dオブジェクト検出に焦点を当てたPatchTeacherを提案する。 具体的には、完全なシーンを一連のパッチに分割し、PatchTeacherにシーケンシャルにフィードします。 PatchTeacherは、部分シーン検出の低メモリ消費の利点を高解像度のボキセル化によるプロセスポイントクラウドに活用し、量子化の情報損失を最小限に抑え、よりきめ細かい特徴を抽出することができる。 しかし、シーンのごく一部で検出器を訓練するのは簡単ではない。 そこで本研究では,PatchTeacherの性能向上のために,Patch Normalizer,Quadrant Align,Fovea Selectionの3つの重要なテクニックを紹介した。 さらに、異なるLiDARスキャンから切り刻まれた柱を混合して多様なトレーニングサンプルを生成する強力なデータ拡張戦略であるPillarMixを考案し、モデルがより一般的な表現を学習できるようにする。 Waymo と ONCE のデータセットを用いた大規模な実験により,提案手法の有効性と優位性を検証し,既存の手法を大きなマージンで上回り,新たな最先端の成果を得ることができた。 コードはhttps://github.com/LittlePey/PTPMで入手できる。

関連論文リスト

• TrajSSL: Trajectory-Enhanced Semi-Supervised 3D Object Detection [59.498894868956306]
  Pseudo-labeling approach to semi-supervised learning は教師-学生の枠組みを採用する。 我々は、事前学習した動き予測モデルを活用し、擬似ラベル付きデータに基づいて物体軌跡を生成する。 提案手法は2つの異なる方法で擬似ラベル品質を向上する。
  論文  参考訳（メタデータ） (2024-09-17T05:35:00Z)
• SC3D: Label-Efficient Outdoor 3D Object Detection via Single Click Annotation [23.571581914980058]
  LiDARポイントクラウドからの3D検出器のトレーニングは通常、高価なバウンディングボックスアノテーションに依存している。 本稿では,各フレームの3D点雲の鳥の視線をワンクリックするだけでよい,革新的なラベル効率の手法であるSC3Dを提案する。
  論文  参考訳（メタデータ） (2024-08-15T11:34:53Z)
• Dual-Perspective Knowledge Enrichment for Semi-Supervised 3D Object Detection [55.210991151015534]
  本稿では, DPKE という新しい2次元知識豊か化手法を提案する。 我々のDPKEは、データパースペクティブと機能パースペクティブという2つの観点から、限られたトレーニングデータ、特にラベルなしデータの知識を豊かにしています。
  論文  参考訳（メタデータ） (2024-01-10T08:56:07Z)
• KECOR: Kernel Coding Rate Maximization for Active 3D Object Detection [48.66703222700795]
  我々は、ラベルの取得に最も有用なポイントクラウドを特定するために、新しいカーネル戦略を利用する。 1段目(SECOND)と2段目(SECOND)の両方に対応するため、アノテーションに選択した境界ボックスの総数と検出性能のトレードオフをよく組み込んだ分類エントロピー接点を組み込んだ。 その結果,ボックスレベルのアノテーションのコストは約44%,計算時間は26%削減された。
  論文  参考訳（メタデータ） (2023-07-16T04:27:03Z)
• DC3DCD: unsupervised learning for multiclass 3D point cloud change detection [0.0]
  本稿では,DC3DCD(Deep 3D Change Detection)と呼ばれる教師なしの手法を提案する。 本手法は,画像分類のためのDeepClusterアプローチに基づいて,複雑な生の3DPCを扱う。
  論文  参考訳（メタデータ） (2023-05-09T13:13:53Z)
• 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)
• Exploring Active 3D Object Detection from a Generalization Perspective [58.597942380989245]
  不確実性に基づくアクティブな学習ポリシーは、ポイントクラウドの情報性とボックスレベルのアノテーションコストの間のトレードオフのバランスを取れません。 冗長な3次元境界ボックスラベルの点群を階層的にフィルタリングするtextscCrbを提案する。 実験により,提案手法が既存のアクティブラーニング戦略より優れていることが示された。
  論文  参考訳（メタデータ） (2023-01-23T02:43:03Z)
• Semi-supervised 3D Object Detection via Adaptive Pseudo-Labeling [18.209409027211404]
  3次元物体検出はコンピュータビジョンにおいて重要な課題である。 既存のほとんどのメソッドでは、多くの高品質な3Dアノテーションが必要です。 本研究では,屋外3次元物体検出タスクのための擬似ラベルに基づく新しい半教師付きフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-08-15T02:58:43Z)

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。