- …
- …
#778
summarized by : Yusuke Saito
どんな論文か？
あるソースドメインに特化して開発された3D検出器は異なる種類の3Dセンサ，気象条件，地理的位置などのターゲットドメインにうまく一般化できない可能性がある．
そこで点群からの3次元物体検出における教師なしの領域のドメイン適応のための、領域適応型自己学習パイプラインST3Dを提案する。
新規性
- 一番近い既存手法では，ターゲットドメインの統計情報が必要であり，その有効性はソースとターゲットのデータ分布に依存する．
- 本研究では、モデルの学習過程において、初期の効果的な学習を保証し、徐々に難しい例をシミュレートしてモデルを改善し、簡単な例（信頼度の高い擬似ラベル付きデータ）へのオーバーフィットを防止する.
結果
- KITTI [13]、Waymo [38]、nuSenses [4]、Lyft [20]の 4つの3D物体検出データセットにて、SN（過去のSOTA）を上回る結果となった(16% ∼ 75%).
- 弱教師付きDAの設定では、SN手法と違い、オブジェクトサイズのわずかな領域移動にかかわらず一貫して改善がみられている.
その他（なぜ通ったか？等）
- 3D物体検出のための教師なしドメイン適応において、ターゲットドメインの統計情報に依存しない手法を提案、かつ精度においてもSOTAを実現した点.
- …
- …