Fugu-MT 論文翻訳(概要): Investigating Domain Gaps for Indoor 3D Object Detection

論文の概要: Investigating Domain Gaps for Indoor 3D Object Detection

arxiv url: http://arxiv.org/abs/2508.17439v1
Date: Sun, 24 Aug 2025 16:34:19 GMT
ステータス: 翻訳完了
システム内更新日: 2025-08-26 18:43:45.524901
Title: Investigating Domain Gaps for Indoor 3D Object Detection
Title（参考訳）: 屋内3次元物体検出のための領域ギャップの調査
Authors: Zijing Zhao, Zhu Xu, Qingchao Chen, Yuxin Peng, Yang Liu,
Abstract要約: 本研究では,屋内3次元物体検出器を1つのデータセットから別のデータセットに適応させる作業について考察する。本稿では, ScanNet, SUN RGB-D, 3D Frontのデータセットと, 新たに提案した大規模データセット ProcTHOR-OD と ProcFront を用いたベンチマークを提案する。本研究は,3次元物体検出器におけるドメインギャップの違いが,合成から現実への適応,点雲品質適応,レイアウト適応,インスタンス特徴適応など,さまざまな適応シナリオについて実験を行った。
参考スコア（独自算出の注目度）: 60.55242233729081
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: As a fundamental task for indoor scene understanding, 3D object detection has been extensively studied, and the accuracy on indoor point cloud data has been substantially improved. However, existing researches have been conducted on limited datasets, where the training and testing sets share the same distribution. In this paper, we consider the task of adapting indoor 3D object detectors from one dataset to another, presenting a comprehensive benchmark with ScanNet, SUN RGB-D and 3D Front datasets, as well as our newly proposed large-scale datasets ProcTHOR-OD and ProcFront generated by a 3D simulator. Since indoor point cloud datasets are collected and constructed in different ways, the object detectors are likely to overfit to specific factors within each dataset, such as point cloud quality, bounding box layout and instance features. We conduct experiments across datasets on different adaptation scenarios including synthetic-to-real adaptation, point cloud quality adaptation, layout adaptation and instance feature adaptation, analyzing the impact of different domain gaps on 3D object detectors. We also introduce several approaches to improve adaptation performances, providing baselines for domain adaptive indoor 3D object detection, hoping that future works may propose detectors with stronger generalization ability across domains. Our project homepage can be found in https://jeremyzhao1998.github.io/DAVoteNet-release/.
Abstract（参考訳）: 室内環境理解の基本的な課題として,3次元物体検出法が広範に研究され,室内点雲データの精度が大幅に向上した。しかし、既存の研究は限られたデータセットで行われており、トレーニングとテストセットは同じ分布を共有している。本稿では,ScanNet, SUN RGB-D, 3D Frontデータセットと, 新たに提案した大規模データセット ProcTHOR-OD と ProcFront を用いた総合的なベンチマークを3Dシミュレータで作成した。屋内のポイントクラウドデータセットはさまざまな方法で収集、構築されているため、オブジェクト検出器は、ポイントクラウドの品質、バウンディングボックスレイアウト、インスタンス機能など、各データセット内の特定の要因に過度に適合する可能性が高い。我々は、合成から現実への適応、ポイントクラウド品質適応、レイアウト適応、インスタンス特徴適応など、さまざまな適応シナリオに関するデータセット実験を行い、異なるドメインギャップが3Dオブジェクト検出器に与える影響を分析する。また,適用性能を向上させるためのいくつかのアプローチを導入し,ドメイン適応型屋内3次元物体検出のベースラインを提供する。私たちのプロジェクトのホームページはhttps://jeremyzhao1998.github.io/DAVoteNet-release/にある。

関連論文リスト

Syn-to-Real Unsupervised Domain Adaptation for Indoor 3D Object Detection [50.448520056844885]
室内3次元物体検出における非教師なし領域適応のための新しいフレームワークを提案する。合成データセット3D-FRONTから実世界のデータセットScanNetV2とSUN RGB-Dへの適応結果は、ソースオンリーベースラインよりも9.7%、9.1%のmAP25が顕著に改善されていることを示している。
論文参考訳（メタデータ） (2024-06-17T08:18:41Z)
M&M3D: Multi-Dataset Training and Efficient Network for Multi-view 3D Object Detection [2.5158048364984564]
カメラのみのデータとBird's-Eye-View Mapを用いたマルチビュー3Dオブジェクト検出のためのネットワーク構造を提案した。私の仕事は、現在の重要なドメイン適応とビジュアルデータ転送に基づいています。本研究は,3次元情報を利用可能な意味情報として利用し,視覚的言語伝達設計にブレンドした2次元多視点画像特徴について述べる。
論文参考訳（メタデータ） (2023-11-02T04:28:51Z)
MDT3D: Multi-Dataset Training for LiDAR 3D Object Detection Generalization [3.8243923744440926]
特定の点分布を持つソースデータセットでトレーニングされた3Dオブジェクト検出モデルは、目に見えないデータセットに一般化する上で困難であることが示されている。我々は、アノテーション付きソースデータセットから利用可能な情報を、MDT3D(Multi-Dataset Training for 3D Object Detection)メソッドで活用する。トレーニング中にデータセットの混合をどのように管理し、最後にクロスデータセット拡張メソッド、すなわちクロスデータセットオブジェクトインジェクションを導入するかを示します。
論文参考訳（メタデータ） (2023-08-02T08:20:00Z)
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)
Viewer-Centred Surface Completion for Unsupervised Domain Adaptation in 3D Object Detection [7.489722641968593]
3D検出器は、トレーニング対象のデータセットに過度に適合する傾向がある。これにより、検出器が1つのデータセットでトレーニングされ、別のデータセットでテストされると、精度が大幅に低下する。我々は、新しいビューア中心のサーフェス補完ネットワーク(VCN)を設計し、これをSEE-VCN(SEE-VCN)というアプローチで解決する。 SEE-VCNにより、データセット全体にわたるオブジェクトの統一表現が得られ、ネットワークはスキャンパターンに過度に適合するのではなく、幾何学の学習に集中することができる。
論文参考訳（メタデータ） (2022-09-14T04:22:20Z)
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)
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)
1st Place Solution for Waymo Open Dataset Challenge -- 3D Detection and Domain Adaptation [7.807118356899879]
本研究では,一段式,アンカーフリー,NMSフリーの3Dポイント・クラウド・オブジェクト検出器AFDetを提案する。 AFDetは私たちの勝利ソリューションの強力なベースラインとして機能します。我々は、より強力なネットワークを設計し、デンシフィケーションとポイントペインティングを用いてポイントクラウドデータを強化する。
論文参考訳（メタデータ） (2020-06-28T04:49:39Z)

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。