論文の概要: Mitigating Performance Discrepancy in Cross-Domain 3D Class-Incremental Learning
- arxiv url: http://arxiv.org/abs/2609.04860v1
- Date: Fri, 04 Sep 2026 08:20:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-07 18:15:23.970662
- Title: Mitigating Performance Discrepancy in Cross-Domain 3D Class-Incremental Learning
- Title（参考訳）: クロスドメイン3次元クラスインクリメンタルラーニングにおける性能差の軽減
- Abstract要約: 3D知覚は、自律運転、ロボット工学、AR/VRといった現実世界の応用において重要な役割を果たす。
2D画像とは異なり、3Dポイントの雲は本質的に異質である。
性能劣化の程度はドメインによって大きく異なり、これはパフォーマンスの相違という現象である。
- 参考スコア（独自算出の注目度）: 9.38434232095379
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: 3D perception plays a crucial role in real-world applications such as autonomous driving, robotics, and AR/VR. In practical scenarios, 3D perception models need to continually adapt to newly emerging 3D object categories, making class-incremental learning (CIL) particularly important. However, unlike 2D images, 3D point clouds are inherently heterogeneous: objects from the same class may not only come from the clean CAD domain, but also from RGB-D camera scans of varying quality, video reconstructions, or even corrupted observations. We discover that such heterogeneity introduces a new challenge beyond catastrophic forgetting: the degree of performance degradation can vary substantially across domains, a phenomenon we term performance discrepancy. To investigate this problem, we establish the Domain3D-CIL training and evaluation protocol, which contains point cloud categories from heterogeneous domains. We further adapt a wide range of mainstream CIL methods to the 3D modality. The results demonstrate that this performance discrepancy consistently appears across these baselines. To mitigate this issue, we introduce PolyMem, an exemplar-free approach that implicitly models rich high-order statistics of the feature distribution to enhance cross-domain robustness. Experiments demonstrate that our method effectively alleviates the performance discrepancy while improving the model's performance across domains. Code will be made publicly available upon acceptance.
- Abstract（参考訳）: 3D知覚は、自律運転、ロボット工学、AR/VRといった現実世界の応用において重要な役割を果たす。
現実的なシナリオでは、3D知覚モデルが新たな3Dオブジェクトカテゴリに継続的に適応し、クラスインクリメンタルラーニング(CIL)が特に重要である。
しかし、2D画像とは異なり、3Dポイントの雲は本質的に異質である:同じクラスのオブジェクトはクリーンなCADドメインだけでなく、様々な品質のRGB-Dカメラスキャン、ビデオ再構成、さらには破損した観察からも来るかもしれない。
このような不均一性は、破滅的な忘れを超越した新たな課題をもたらすことを発見した: パフォーマンス劣化の程度は、ドメインによって大きく異なる可能性がある。
この問題を解決するために,異種領域からの点雲カテゴリを含むDomain3D-CILトレーニングおよび評価プロトコルを構築した。
さらに,CIL法を多種多様な3次元モードに適応させる。
結果は、このパフォーマンスの相違が、これらのベースラインに一貫して現れることを示している。
この問題を緩和するために、私たちは、ドメイン間の堅牢性を高めるために、特徴分布の高階統計を暗黙的にモデル化する、例のないアプローチであるPolyMemを紹介します。
実験により,本手法はドメイン間のモデル性能を改善しつつ,性能の相違を効果的に軽減することを示した。
コードは受理時に公開される。
関連論文リスト
- UniDA3D: A Unified Domain-Adaptive Framework for Multi-View 3D Object Detection [59.35818507180513]
カメラのみの3Dオブジェクト検出は自動運転にとって重要であり、LiDARベースの方法に代わる費用対効果を提供する。
既存の手法は、夜間、霧、雨などの複雑な環境条件下では大きな性能劣化を経験することが多い。
種々の有害条件下での堅牢な認識を目的としたドメイン適応型多視点3Dオブジェクト検出器UniDA3Dを提案する。
論文 参考訳（メタデータ） (2026-03-30T03:35:32Z) - Topology-Aware Modeling for Unsupervised Simulation-to-Reality Point Cloud Recognition [63.55828203989405]
我々はオブジェクトポイントクラウド上でSim2Real UDAのための新しいTopology-Aware Modeling (TAM)フレームワークを紹介する。
提案手法は,低レベルの高周波3次元構造を特徴とするグローバル空間トポロジを利用して,領域間隙を緩和する。
本稿では,クロスドメイン・コントラスト学習と自己学習を組み合わせた高度な自己学習戦略を提案する。
論文 参考訳（メタデータ） (2025-06-26T11:53:59Z) - Revisiting Cross-Domain Problem for LiDAR-based 3D Object Detection [5.149095033945412]
我々は最先端モデルのクロスドメイン性能を深く分析する。
ほとんどのモデルはトレーニングドメインに過度に適合し、それを他のドメインに直接適用することは困難である。
我々は、メソッドの精度レベルにおける過度な低下の中核的な問題を分析するために、サイドビューとフロントビューAPという、さらなる評価指標を提案する。
論文 参考訳（メタデータ） (2024-08-22T19:52:44Z) - Source-Free and Image-Only Unsupervised Domain Adaptation for Category
Level Object Pose Estimation [18.011044932979143]
3DUDAは、3Dや深度データを使わずに、ニュアンスドライデンのターゲットドメインに適応できる手法である。
対象のカテゴリを単純な立方体メッシュとして表現し、ニューラル特徴活性化の生成モデルを利用する。
本手法は,グローバルな擬似ラベル付きデータセットの微調整を軽度な仮定でシミュレートする。
論文 参考訳（メタデータ） (2024-01-19T17:48:05Z) - FILP-3D: Enhancing 3D Few-shot Class-incremental Learning with Pre-trained Vision-Language Models [59.13757801286343]
クラス増分学習(class-incremental learning)は、モデルが限られたデータで漸進的にトレーニングされている場合、破滅的な忘れの問題を軽減することを目的としている。
本稿では,特徴空間の不整合のための冗長特徴除去器 (RFE) と,重要な雑音に対する空間ノイズ補償器 (SNC) の2つの新しいコンポーネントを備えたFILP-3Dフレームワークを紹介する。
論文 参考訳（メタデータ） (2023-12-28T14:52:07Z) - 3D Adversarial Augmentations for Robust Out-of-Domain Predictions [115.74319739738571]
ドメイン外データへの一般化の改善に注力する。
対象を逆向きに変形させるベクトルの集合を学習する。
本研究では,学習したサンプル非依存ベクトルをモデルトレーニング時に利用可能なオブジェクトに適用することにより,対数拡大を行う。
論文 参考訳（メタデータ） (2023-08-29T17:58:55Z) - 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) - DA-CIL: Towards Domain Adaptive Class-Incremental 3D Object Detection [2.207918236777924]
本稿では,新しい3次元ドメイン適応型クラスインクリメンタルオブジェクト検出フレームワークDA-CILを提案する。
トレーニング分布を多様化する複数の拡張ドメインを構築するために、新しいデュアルドメインコピーペースト拡張法を設計する。
各種データセットを用いた実験により,提案手法の有効性が示された。
論文 参考訳（メタデータ） (2022-12-05T06:45:27Z) - Towards Model Generalization for Monocular 3D Object Detection [57.25828870799331]
我々は,Mono3Dオブジェクト検出に有効な統合カメラ一般化パラダイム(CGP)を提案する。
また,インスタンスレベルの拡張によりギャップを埋める2D-3D幾何一貫性オブジェクトスケーリング戦略(GCOS)を提案する。
DGMono3Dと呼ばれる手法は、評価された全てのデータセットに対して顕著な性能を達成し、SoTAの教師なしドメイン適応スキームを上回ります。
論文 参考訳（メタデータ） (2022-05-23T23:05:07Z) - Unsupervised Domain Adaptation for Monocular 3D Object Detection via
Self-Training [57.25828870799331]
我々は、Mono3D上での教師なしドメイン適応のための新しい自己学習フレームワークSTMono3Dを提案する。
対象ドメイン上で適応的な擬似ラベルを生成するための教師学生パラダイムを開発する。
STMono3Dは、評価されたすべてのデータセットで顕著なパフォーマンスを達成し、KITTI 3Dオブジェクト検出データセットの完全な教師付き結果を超えています。
論文 参考訳（メタデータ） (2022-04-25T12:23:07Z)
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。