- …
- …
#818
summarized by : Pavel Savkin
どんな論文か？
DeepLearningで膨大なデータが使われるようになってきた昨今で、３Dコンテキストのアノテーションは依然として非常に時間のかかるタスクである。既存の手法はhuman-in-the-loopのようなアノテーション半自動化手法を提案している。本手法では、「完全自動アノテーション」にこだわり、自動車の３D bounding boxの推定において正解データと比較して同等の精度をだす手法を提案した。
新規性
1. 微分可能な Signed distance field → 3d shape を実現した点
2. sim/realの両ドメインを用いたカリキュラムラーニング手法を提案した点
3. ビジョン、幾何形状の両者を使って、マルチモーダル最適化手法を実現した点
結果
1. Ablation Studyから、2Dコンテキストのロスが回転に関する精度を、3Dコンテキストのロスが平行移動とスケールに関する精度を高めることを突き止めた。
2. 3D bounding boxの推定に用いたけっか、正解データベースの学習と同等の精度を実現した。
その他（なぜ通ったか？等）
完全自動アノテーションという夢の技術が実際に有用であると証明した点が何よりも大きく、昨今の半自動アノテーションと一線を画すことがオーラルにまで採択されたと考える。
- …
- …