Jan, 2024

SOAP：使用静态对象聚合伪标注进行 3D 物体检测的跨传感器域适应

PDF
TL;DR我们提出了一种称为 SOAP 的方法，在 LiDAR-based 3D 目标检测中通过生成高质量的伪标签来解决跨传感器域适应问题。SOAP 通过整个点云序列的聚合来减小传感器域差距，并使用准静态训练和空间一致性后处理生成准确的静止物体伪标签，与仅使用少量帧进行聚合的检测器相比，缩小了至少 30.3% 的域差距。我们的结果还表明，在无监督和半监督设置中，与 SOAP 结合使用，最先进的域自适应方法可以取得更好的性能。
cross-sensor domain adaptationlidar-based 3d object detectionstationary object aggregation pseudo-labellingquasi-stationary trainingsensor domain gap
发现论文，激发创造
  • CL3D：基于无监督领域自适应的跨激光雷达 3D 检测

    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

  • 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

  • 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

  • GIPSO：基于几何信息传播的 3D LiDAR 分割在线自适应

    本文主要研究了自动驾驶中 3D 点云语义分割的问题，提出了一种新的面向场景推理的算法框架，并针对领域变化以及使用合成数据时的挑战性问题进行了研究，提高了算法的稳定性和实际性能。

    Jul, 2022

  • 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

  • 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

  • UADA3D：基于稀疏 LiDAR 和大域差异的无监督敌对领域自适应三维物体检测

    我们在这项研究中填补现有无监督领域自适应方法的空白，这些方法主要集中于适应已经建立的高密度自动驾驶数据集。我们专注于稀疏的点云，从不同的角度捕捉场景，不仅来自道路上的车辆，还来自人行道上的移动机器人，遇到显著不同的环境条件和传感器配置。我们引入了无监督对抗领域自适应三维物体检测（UADA3D），不依赖于预训练源模型和师生架构，而是使用对抗性方法直接学习域不变特征。我们在各种适应场景中证明了其功效，在自动驾驶汽车和移动机器人领域都取得了显著的改进。我们的代码是开源的，即将推出。

    Mar, 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

  • 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

  • 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