Mar, 2021

ST3D：基于自训练的三维物体检测无监督域适应

HTML
PDF
TL;DR本论文提出了一种新的域自适应自训练流水线（ST3D），用于基于点云的3D物体检测的无监督域自适应。该流水线通过特定的设计使检测器能够与一致且高质量的伪标签进行训练，并避免过度配合伪标记数据中大量的易样本，实现了对所有评估数据集的领先性能，并甚至超过了KITTI 3D目标检测基准的全监督结果。
发现论文，激发创造
  • 基于LiDAR的三维物体检测的无源无监督域自适应

    本文提出了 SF-UDA^3D 框架，基于伪标注、可逆的尺度转换和运动相干性，将最先进的 PointRCNN 3D 检测器域自适应到无注释目标域中，结果在 KITTI 和 nuScenes 上都优于以前的特征对齐方法和最先进的 3D 目标检测方法。

    Oct, 2020

  • ST3D++: 3D目标检测的无监督域自适应去噪自训练

    本文提出了一种名为ST3D ++的自学习方法，通过开发一个全面的伪标签降噪管道，旨在进行无监督域自适应来降低伪标签噪声以及缓解噪声伪标签对模型训练的负面影响，并在KITTI等多个三维基准数据集上实现了最先进的性能。

    Aug, 2021

  • 基于注意力原型的无源迁移学习3D物体检测

    本研究提出一种应用于基于激光雷达的3D物体检测器的无源自适应方法，该方法使用班级原型来缓解误标签噪声的影响，利用转换器模块识别对应于错误、过于自信的注释的离群ROI，通过自学习的过程，降低伪标签的损失并提高性能。

    Nov, 2021

  • SSDA3D: 3D点云物体检测的半监督领域适应

    提出了一种半监督领域自适应方法，名为“SSDA3D”，包括两个阶段的Point-CutMix模块和Intra-domain Generalization，很好地解决了不同LiDAR配置、城市和天气等领域间偏移问题，不依赖于大量标注数据，在只有10％目标数据标注的情况下，可以超过100％目标标签的完全监督模型。

    Dec, 2022

  • MS3D: 三维对象检测中基于多个检测器的无监督域自适应

    提出了一种新的自我训练管道MS3D，用于无监督领域适应的3D目标检测，其使用不同的预训练探测器结合时间信息生成高质量的伪标签进行微调。使用我们提出的核密度估算（KDE）盒融合方法来融合来自多个域的盒子提议，以获得超过最佳源域探测器性能的伪标签。MS3D表现出更大的领域位移鲁棒性，并能够在较大距离上产生准确的伪标签，因此非常适合从高到低波束领域适应和反之。该方法在所有评估数据集上都取得了最先进的性能，而且我们证明了预先训练源探测器的选择对自我训练结果影响较小，因此MS3D适用于实际应用。

    Apr, 2023

  • 基于可靠、多样和类平衡伪标签的领域自适应三维目标检测重新探讨

    本文提出了一个名为ReDB框架的方法，该方法用于解决多类别训练设置下的领域自适应问题，通过生成可靠、多样性和类别平衡的伪三维边界框并采用交叉领域检查和重叠边界框计数度量等方法，进一步提高了领域适应3D物体检测的准确性。

    Jul, 2023

  • MS3D++: 多源无监督领域自适应的3D目标检测专家集合

    MS3D++是一个用于3D目标检测的自我训练框架，通过生成高质量的伪标签实现多源无监督域适应，改进了3D检测器在不同领域中的泛化能力，并在Bird's Eye View（BEV）评估中，使用MS3D++伪标签训练的检测器在低密度和高密度lidar的性能上达到了与人工标注标签相媲美的最新水平。

    Aug, 2023

  • 未监督领域自适应3D物体检测的伪标签精炼

    在这篇论文中，我们提出了一种新颖的伪标签精炼框架，通过补充性增强策略，生成额外的候选框并在不同领域中对RoI特征进行对齐，有效提高了伪标签的质量，并在六个自动驾驶基准测试中持续超越了现有最先进的方法。

    Apr, 2024

  • 室内3D物体检测的Syn-to-Real无监督领域自适应

    本文提出了一种新颖的面向室内三维物体检测的对象层次域对齐（OHDA）框架，其中包括一种面向对象的数据增强策略以有效地使源域数据多样化，并引入了一个由对抗训练分支和伪标记分支组成的两分支自适应框架，以同时达到整体级和类别级的域对齐，通过适应结果的改进在Synthetic数据集3D-FRONT到真实数据集ScanNetV2和SUN RGB-D上分别取得了分别为9.7％和9.1％的mAP25改进。

    Jun, 2024

  • STAL3D：基于协作自训练和对抗学习的3D物体检测无监督域自适应

    我们提出了一种能够在无监督领域适应中实现3D物体检测的框架，称为STAL3D，通过协作自训练和对抗学习利用伪标签和特征分布对齐的互补优势，并设计了面向3D跨域场景的背景抑制对抗学习模块和尺度过滤模块，有效减轻了大部分背景干扰和源域尺寸偏差的问题。在多个跨域任务上，我们的STAL3D实现了最先进的性能，甚至在Waymo到KITTI和Waymo到KITTI-rain任务上超过了Oracle结果。

    Jun, 2024