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

ICCVJul, 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

Revisiting Domain-Adaptive 3D Object Detection by Reliable, Diverse and Class-balanced Pseudo-Labeling

Zhuoxiao Chen, Yadan Luo, Zi Huang, Zheng Wang, Mahsa Baktashmotlagh

TL;DR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。

Abstract

unsupervised domain adaptation (DA) with the aid of pseudo labeling techniques has emerged as a crucial approach for domain-adaptive 3D object detection. While effective, existing DA methods suffer from a substan

unsupervised domain adaptation 3d object detection redb framework class imbalance pseudo labeling

发现论文，激发创造

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

RGB-D 数据下可迁移的半监督三维物体检测

提出了一种可转移的半监督 3D 目标检测模型，通过训练存在强类别和弱类别两个不相交的物体类别集的数据，使用放松重投影损失、Box-to-Point Cloud Fit 网络等技术，从强类别向弱类别传递 3D 信息，并在 SUN-RGBD 和 KITTI 数据集上取得了优异的成果。

Apr, 2019

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

3D-PL：具有三维感知伪标记的域自适应深度估计

利用真实数据生成可靠的伪地面真实数据，提供直接监督的领域适应框架，通过提出 2D 伪标签和 3D 感知伪标签等机制，实现深度评估的提高，有效地解决领域适应问题。

Sep, 2022

基于密度无关的三维物体检测无监督域自适应

提出一种密度无关的模型，基于点云数据进行 3D 物体检测。采用了一种随机光束重新采样的方法，对目标领域数据进行训练，实现克服领域差异的目的。实验证明该方法显著提高了检测精度和泛化性能，特别在领域数据不均匀的情况下表现优异。

Apr, 2023

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

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

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

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

Bi3D：跨域 3D 物体检测的双域主动学习

提出了一种基于 Bi-domain active learning 的方法 Bi3D，通过 source 和 target 两个域的样本选择策略来解决跨域 3D 目标检测任务，实验结果表明该方法在不同的跨域情况下达到了较好的检测准确率。

Mar, 2023