多层次一致性无监督领域自适应三维检测
提出了一种多级域自适应模型,通过同时对本地级别特征和全局级别特征分布进行对齐,以解决交叉域目标检测中现有方法对局部特征分布不能有效匹配的问题,并在多种实验中验证了其效果。
Jul, 2019
本文提出了一种基于多级一致性学习的半监督域自适应框架,其中包括使用基于原型的最优传输方法稳健准确地对齐源域和目标域,使用新颖的类内对比聚类损失促进目标特征表示的学习,遵循标准实践并通过自我训练改进预测准确性等多种优化机制。实验证明,该框架在三个受欢迎的半监督域自适应基准测试中均取得了最新的性能表现。
May, 2022
本研究提出了多层领域自适应(MLDA)框架,通过在像素、实例和类别三个补充的语义级别上处理交叉领域车道检测,以识别车道形状和位置先验知识,提出了一种新的视角来解决车道检测领域差异带来的挑战, 针对现有方法只关注像素级损失而忽略车道形状和位置先验知识的不足, 在两个挑战性数据集 TuSimple 和 CULane 中,我们的方法相对于现有领域自适应算法,在准确性和 F1 分数方面分别提高了 8.8%和 7.4%。
Jun, 2022
利用空间几何对齐和时间运动对齐构建自适应域归一化方法,以头显和机械扫描激光雷达的点云数据为例,实现了跨设备 3D 检测的最新性能水平。
Dec, 2022
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
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
本文提出了一种协同学习的框架,在不需要额外的标注数据的情况下实现多目标领域自适应。通过专家模型训练和权重规范化来得到单模型适用于多目标领域的结果,并且在多个任务上表现出了不俗的效果。
Jun, 2021
本研究提出了一种基于 Faster R-CNN 的统一框架 DMSN,采用分而治之的策略进行特征对齐和反神经网络的训练,实现同时提高域不变性和保持判别能力,具有很强的适应性和泛化性能。
Jun, 2021
自动驾驶中的 LiDAR 数据集存在诸如点云密度、范围和物体尺寸等属性偏差,因此在不同环境中训练和评估的物体检测网络往往会遇到性能下降的问题。为了解决这个问题,域自适应方法假设可以获取来自测试分布的未标注样本。但是,在实际世界中,部署条件和获得代表测试数据集的样本可能无法获得。我们认为,更现实和具有挑战性的形式是要求对未知目标域具有性能的鲁棒性。我们提出了一种双重方式来解决这个问题。首先,我们利用大多数自动驾驶数据集中存在的配对的 LiDAR - 图像数据进行多模态物体检测。我们建议通过利用图像和 LiDAR 点云的多模态特征来进行场景理解任务,从而使得物体检测器对未知域的转换更加鲁棒。其次,我们训练一个 3D 物体检测器,在不同分布之间学习多模态物体特征,并促进这些源域之间的特征不变性,以提高对未知目标域的泛化性能。为此,我们提出了 CLIX$^ ext {3D}$,它是一个用于 3D 物体检测的多模态融合和有监督对比学习框架,它在对不同数据集转换下实现了最先进的域泛化性能。
Apr, 2024
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