論文の概要: Semi-Supervised Diversity-Aware Domain Adaptation for 3D Object detection

• arxiv url: http://arxiv.org/abs/2512.24922v1
• Date: Wed, 31 Dec 2025 15:26:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-01 23:27:28.689451
• Title: Semi-Supervised Diversity-Aware Domain Adaptation for 3D Object detection
• Title（参考訳）: 3次元物体検出のための半教師付きダイバーシティ対応ドメイン適応
• Authors: Bartłomiej Olber, Jakub Winter, Paweł Wawrzyński, Andrii Gamalii, Daniel Górniak, Marcin Łojek, Robert Nowak, Krystian Radlak,
• Abstract要約: 3Dオブジェクト検出器は、自動運転車の知覚システムの基本コンポーネントである。 米国内で訓練されたモデルは、アジアやヨーロッパのような地域ではパフォーマンスが悪くなる可能性がある。 本稿では,ニューロン活性化パターンに基づく新しいライダードメイン適応法を提案する。
• 参考スコア（独自算出の注目度）: 2.302911599734728
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: 3D object detectors are fundamental components of perception systems in autonomous vehicles. While these detectors achieve remarkable performance on standard autonomous driving benchmarks, they often struggle to generalize across different domains - for instance, a model trained in the U.S. may perform poorly in regions like Asia or Europe. This paper presents a novel lidar domain adaptation method based on neuron activation patterns, demonstrating that state-of-the-art performance can be achieved by annotating only a small, representative, and diverse subset of samples from the target domain if they are correctly selected. The proposed approach requires very small annotation budget and, when combined with post-training techniques inspired by continual learning prevent weight drift from the original model. Empirical evaluation shows that the proposed domain adaptation approach outperforms both linear probing and state-of-the-art domain adaptation techniques.
• Abstract（参考訳）: 3Dオブジェクト検出器は、自動運転車の知覚システムの基本コンポーネントである。 これらの検出器は標準的な自律走行ベンチマークで顕著な性能を発揮するが、しばしば異なる領域をまたがって一般化するのに苦労する。 本稿では,ニューロンの活性化パターンに基づいた新しいライダードメイン適応手法を提案する。 提案手法は非常に小さなアノテーション予算が必要であり、継続学習にインスパイアされた後学習技術と組み合わせることで、元のモデルからの重みのドリフトが防止される。 経験的評価により,提案手法は線形探索法と最先端領域適応法の両方に優れることがわかった。

関連論文リスト

• PAGen: Phase-guided Amplitude Generation for Domain-adaptive Object Detection [15.55359477953804]
  教師なしドメイン適応(UDA)は、さまざまな環境にまたがるニューラルネットワークの展開を大いに促進する。 本稿では、周波数領域における画像スタイルの適応を学習し、ソース領域とターゲット領域との差を小さくする、シンプルで効果的なUDA手法を提案する。
  論文  参考訳（メタデータ） (2025-11-27T02:22:37Z)
• Self-Aware Adaptive Alignment: Enabling Accurate Perception for Intelligent Transportation Systems [19.841516107325898]
  提案手法は、ソースおよびターゲットドメインデータセットに基づいて訓練された特定の注意に基づくアライメントモジュールを用いる。 チャネルの重要性が再重み付けされた両方のドメインの機能は、リージョン提案ネットワークに入力される。 実験の結果,SA3は従来の最先端手法よりも優れた結果が得られることがわかった。
  論文  参考訳（メタデータ） (2025-08-19T13:33:03Z)
• Robust Distribution Alignment for Industrial Anomaly Detection under Distribution Shift [51.24522135151649]
  異常検出は産業アプリケーションの品質管理において重要な役割を担っている。 既存の方法は、一般化可能なモデルをトレーニングすることで、ドメインシフトに対処しようとする。 提案手法は,最先端の異常検出法や領域適応法と比較して,優れた結果を示す。
  論文  参考訳（メタデータ） (2025-03-19T05:25:52Z)
• Spectral Adversarial MixUp for Few-Shot Unsupervised Domain Adaptation [72.70876977882882]
  臨床応用においては、トレーニング画像(ソース領域)とテスト画像(ターゲット領域)が異なる分布下にある場合、ドメインシフトは一般的な問題である。 本稿では,Few-Shot Unsupervised Domain Adaptation (FSUDA) の新たな手法を提案する。
  論文  参考訳（メタデータ） (2023-09-03T16:02:01Z)
• Revisiting Domain-Adaptive 3D Object Detection by Reliable, Diverse and Class-balanced Pseudo-Labeling [38.07637524378327]
  ドメイン適応型3Dオブジェクト検出において,疑似ラベリング技術を用いた教師なしドメイン適応(DA)が重要なアプローチとして浮上している。 既存のDAメソッドは、マルチクラスのトレーニング環境に適用した場合、パフォーマンスが大幅に低下する。 本稿では,すべてのクラスを一度に検出する学習に適した新しいReDBフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-07-16T04:34:11Z)
• ADAS: A Simple Active-and-Adaptive Baseline for Cross-Domain 3D Semantic Segmentation [38.66509154973051]
  本研究では,よく訓練された3次元セグメンテーションモデルの弱いクロスドメイン一般化能力を高めるために,アクティブ・アンド・アダプティブ(ADAS)ベースラインを提案する。 ADASは、有効適応のために、ソースドメインとターゲットドメインの両方から最大不変サブセットを選択するアクティブサンプリング操作を実行する。 1) 対象ドメインからのすべてのサンプルがラベル付けされていないことを意味するUnsupervised Domain Adaptation (UDA)、2) Unsupervised Few-shot Domain Adaptation (UFDA)、つまり、ラベル付けされていないサンプルがラベル付けされていないターゲットドメインでのみ利用可能であることを意味する。
  論文  参考訳（メタデータ） (2022-12-20T16:17:40Z)
• 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)
• AFAN: Augmented Feature Alignment Network for Cross-Domain Object Detection [90.18752912204778]
  オブジェクト検出のための教師なしドメイン適応は、多くの現実世界のアプリケーションにおいて難しい問題である。 本稿では、中間領域画像生成とドメイン・アドバイザリー・トレーニングを統合した新しい機能アライメント・ネットワーク(AFAN)を提案する。 提案手法は、類似および異種ドメイン適応の双方において、標準ベンチマークにおける最先端の手法よりも大幅に優れている。
  論文  参考訳（メタデータ） (2021-06-10T05:01:20Z)
• Cross-domain Object Detection through Coarse-to-Fine Feature Adaptation [62.29076080124199]
  本稿では,クロスドメインオブジェクト検出のための特徴適応手法を提案する。 粗粒度では、アテンション機構を採用して前景領域を抽出し、その辺縁分布に応じて整列する。 粒度の細かい段階では、同じカテゴリのグローバルプロトタイプと異なるドメインとの距離を最小化することにより、前景の条件分布アライメントを行う。
  論文  参考訳（メタデータ） (2020-03-23T13:40:06Z)

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。