論文の概要: Learning to Detect Objects from Multi-Agent LiDAR Scans without Manual Labels

• arxiv url: http://arxiv.org/abs/2503.08421v1
• Date: Tue, 11 Mar 2025 13:34:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-12 15:42:43.162012
• Title: Learning to Detect Objects from Multi-Agent LiDAR Scans without Manual Labels
• Title（参考訳）: 手動ラベルのない多エージェントLiDARスキャンからの物体検出の学習
• Authors: Qiming Xia, Wenkai Lin, Haoen Xiang, Xun Huang, Siheng Chen, Zhen Dong, Cheng Wang, Chenglu Wen,
• Abstract要約: エージェント間で補完的な観察を共有するマルチエージェント協調データセットは、このボトルネックを突破する可能性を秘めている。 外部からのラベルを使わずに、DOtAと呼ばれるマルチエージェントLiDARスキャンからオブジェクトを検出する新しい教師なし手法を提案する。 DOtAはエージェント間の補完的な観察を使用して、プリミティブラベルのマルチスケールエンコーディングを行い、高品質で低品質なラベルをデコードする。
• 参考スコア（独自算出の注目度）: 40.571133087275406
• License:
• Abstract: Unsupervised 3D object detection serves as an important solution for offline 3D object annotation. However, due to the data sparsity and limited views, the clustering-based label fitting in unsupervised object detection often generates low-quality pseudo-labels. Multi-agent collaborative dataset, which involves the sharing of complementary observations among agents, holds the potential to break through this bottleneck. In this paper, we introduce a novel unsupervised method that learns to Detect Objects from Multi-Agent LiDAR scans, termed DOtA, without using labels from external. DOtA first uses the internally shared ego-pose and ego-shape of collaborative agents to initialize the detector, leveraging the generalization performance of neural networks to infer preliminary labels. Subsequently,DOtA uses the complementary observations between agents to perform multi-scale encoding on preliminary labels, then decodes high-quality and low-quality labels. These labels are further used as prompts to guide a correct feature learning process, thereby enhancing the performance of the unsupervised object detection task. Extensive experiments on the V2V4Real and OPV2V datasets show that our DOtA outperforms state-of-the-art unsupervised 3D object detection methods. Additionally, we also validate the effectiveness of the DOtA labels under various collaborative perception frameworks.The code is available at https://github.com/xmuqimingxia/DOtA.
• Abstract（参考訳）: 教師なしの3Dオブジェクト検出は、オフラインの3Dオブジェクトアノテーションにとって重要な解決策となる。 しかし、データ空間と限られたビューのため、教師なしオブジェクト検出におけるクラスタリングベースのラベルは、しばしば低品質の擬似ラベルを生成する。 エージェント間で補完的な観察を共有するマルチエージェント協調データセットは、このボトルネックを突破する可能性を秘めている。 本稿では,外部からのラベルを使わずに,マルチエージェントLiDARスキャンからオブジェクトを検出する新しい教師なし手法,DOtAを提案する。 DOtAはまず、内部で共有されるエゴの場所とエゴの形状を使って検出器を初期化し、ニューラルネットワークの一般化性能を利用して予備ラベルを推論する。 その後、DOtAはエージェント間の補完的な観察を使用して、プリミティブラベル上でマルチスケールエンコーディングを行い、高品質で低品質なラベルをデコードする。 これらのラベルは、正しい特徴学習プロセスを導くプロンプトとしてさらに使用され、教師なしのオブジェクト検出タスクの性能を高める。 V2V4RealとOPV2Vデータセットの大規模な実験により、我々のDOtAは最先端の教師なし3Dオブジェクト検出方法より優れていることが示された。 さらに,様々な協調認識フレームワークによるDOtAラベルの有効性も検証し,https://github.com/xmuqimingxia/DOtAで公開されている。

関連論文リスト

• Vision-Language Guidance for LiDAR-based Unsupervised 3D Object Detection [16.09503890891102]
  我々は,LiDAR点雲のみで動作する教師なし3次元検出手法を提案する。 我々は、クラスタリング、トラッキング、ボックステキスト、ラベルリファインメントなど、LiDARポイントクラウドの固有のCLI時間知識を活用している。 提案手法はオープンデータセット上での最先端の非教師なし3Dオブジェクト検出器よりも優れている。
  論文  参考訳（メタデータ） (2024-08-07T14:14:53Z)
• 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)
• Learning to Detect Instance-level Salient Objects Using Complementary Image Labels [55.049347205603304]
  本報告では,本問題に対する第1の弱教師付きアプローチを提案する。 本稿では,候補対象の特定にクラス整合性情報を活用するSaliency Detection Branch,オブジェクト境界をデライン化するためにクラス整合性情報を利用するBundary Detection Branch,サブティナイズ情報を用いたCentroid Detection Branchを提案する。
  論文  参考訳（メタデータ） (2021-11-19T10:15:22Z)
• Move to See Better: Self-Improving Embodied Object Detection [35.461141354989714]
  本研究では,テスト環境における物体検出の改善手法を提案する。 エージェントは、多視点データを収集し、2Dおよび3D擬似ラベルを生成し、その検出器を自己監督的に微調整する。
  論文  参考訳（メタデータ） (2020-11-30T19:16:51Z)
• 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)
• EHSOD: CAM-Guided End-to-end Hybrid-Supervised Object Detection with Cascade Refinement [53.69674636044927]
  本稿では,エンド・ツー・エンドのハイブリッド型オブジェクト検出システムであるEHSODについて述べる。 完全なアノテートと弱いアノテートの両方で、ワンショットでトレーニングすることができる。 完全なアノテートされたデータの30%しか持たない複数のオブジェクト検出ベンチマークで、同等の結果が得られる。
  論文  参考訳（メタデータ） (2020-02-18T08:04:58Z)

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。