CVPR2021:ST3D——Self-training for Unsupervised Domain Adaptation on 3D Object Detection详解
ST3D: Self-training for Unsupervised Domain Adaptation on 3D Object Detection
- Algorithm
- Main Method
- ROS
- Triplet Box Partition
- Memory Ensemble-and-Voting (MEV)
- CDA
- Experiments
Algorithm
算法:
输入:源域的点云Ps和标签Ls,目标域的点云Pt
输出:目标域的三维目标检测模型。
1.使用ROS在{Ps,Ls}上预训练目标检测器
2.利用当前模型为每个目标域样本Pti生成预测框[Bti]k(k为生成的次数)
3.在给定[Bti]k的情况下,使用Triplet Box Partition生成伪标签[Lti]k
4.通过memory ensemble-and-voting (MEV)使用[Lti]k更新[Mi]k-1(第i个目标域样本的label memory bank,初始状态为空),维护[Mi]k的状态
5.在{Pti,[Mi]}上使用CDA训练模型。
6.回到步骤2直到模型收敛。
Main Method
ROS
问题:目标大小的偏差对 3D 目标检测有直接的负面影响,导致伪标记目标域边界框的大小不正确。
将Box内的点都转换到以目标的中心为原点,长宽高为x,y,z轴的坐标系下:
转换后的坐标分别乘上缩放因子,并逆操作还原到原坐标系下:
有效地模拟了具有不同大小的目标以解决大小偏差,有助于训练大小鲁棒的检测器。
Triplet Box Partition
除了Bounding Box本身的属性外,每一个伪标签还具有(u, state, cnt)三个属性,分别代表IoU预测值、状态,未匹配计数值。
为什么要额外添加一个IoU回归头来进行预测,而不直接使用Confidence:
这两个值并不完全相同,更需要IoU值作为伪标签的一个评估手段。
对于每一个伪标签,根据u的大小将状态置为Positive、Ignored和Discard:
前两者将存入到L中,第三者直接丢弃。
(Ignored的伪标签巨有高度不确定性,所以仅暂存到[Lti]k等待被高度匹配时修改state唤醒)
Memory Ensemble-and-Voting (MEV)
使用[Lti]k更新上一个状态的Memory bank [Mi]k-1:对每一个[Mi]k-1内box,在[Lti]k内找IoU最大的进行匹配,若最大的IoU仍然<0.1则将这一对Box的未匹配计数值+1。否则:
将u大的更新为新的伪标签:
最后将所有未匹配计数值<阈值的伪标签存入Memory bank,完成更新得到[Mi]k
CDA
问题:模型容易过度拟合这些具有高IoU的简单目标,无法进一步挖掘困难目标以改进检测器。强数据增强是生成多样化和潜在困难示例的方法。但是对初始阶段的模型训练有害。
方法:逐步增加数据增强的强度,并逐渐生成越来越难的目标,以促进模型的改进并确保早期阶段的有效学习。
确定增强因子,每过一个阶段(若干个epoch)进行一次数据增强的强度增加:
s为阶段数。
增强的随机采样值范围随着强度增加而变大:
Experiments
closed gap表示域适应模型的提升比例
(w/SN)表示为使用了弱监督方法SN
性能相较于Source Only的模型在目标域上都有了不小的提升,并且在弱监督的设置中ST3D(w/SN)甚至超过了有直接在目标域上训练的模型精度。
IoU阈值超参数设置的实验:
CVPR2021:ST3D——Self-training for Unsupervised Domain Adaptation on 3D Object Detection详解相关推荐
- 详解3D物体检测模型 SPG: Unsupervised Domain Adaptation for 3D Object Detection via Semantic Point Generation
本文对基于激光雷达的无监督域自适应3D物体检测进行了研究,论文已收录于 ICCV2021. 在Waymo Domain Adaptation dataset上,作者发现点云质量的下降是3D物件检测器性 ...
- CVPR2021 三维目标检测(3D object detection)
[1] 3DIoUMatch: Leveraging IoU Prediction for Semi-Supervised 3D Object Detection(利用IoU预测进行半监督3D对象检测 ...
- 【论文阅读】Deep Cocktail Network: Multi-source Unsupervised Domain Adaptation with Category Shift
Deep Cocktail Network: Multi-source Unsupervised Domain Adaptation with Category Shift SUMMARY@ 2020 ...
- 【ICML 2015迁移学习论文阅读】Unsupervised Domain Adaptation by Backpropagation (DANN) 反向传播的无监督领域自适应
会议:ICML 2015 论文题目:Unsupervised Domain Adaptation by Backpropagation 论文地址: http://proceedings.mlr.pre ...
- CVPR2019:Domain-Specific Batch Normalization for Unsupervised Domain Adaptation无监督域适配的特定域批处理规范化
CVPR2019:Domain-Specific Batch Normalization for Unsupervised Domain Adaptation无监督域适配的特定域批处理规范化 0.摘要 ...
- Unsupervised Domain Adaptation for Semantic Segmentation by Content Transfer
论文链接:https://arxiv.org/abs/2012.12545 此篇论文被AAAI2021接收. 文章目录 1 Motivation 1.1 Domain Gap 1.2 Class Im ...
- 语义分割-Unsupervised Domain Adaptation in Semantic Segmentation:a Review语义分割中的无监督领域自适应:综述
Unsupervised Domain Adaptation in Semantic Segmentation:a Review语义分割中的无监督领域自适应:综述 0.摘要 1.介绍 1.1.语义分割 ...
- AWB——Complementarity-enhanced Mutual Networks for Unsupervised Domain Adaptation in Person Re-ID
论文地址:arXiv:2006.06525 代码地址:Attentive-WaveBlock 1 概述 这是一篇有关UDA Re-ID的文章,方法性能在paper with code上位居榜首,本文可 ...
- Unsupervised Domain Adaptation with Variational Approximation for Cardiac Segmentation
Wu F, Zhuang X. Unsupervised domain adaptation with variational approximation for cardiac segmentati ...
最新文章
- java 8位随机数_JAVA中生成指定位数随机数的方法总结
- java学习笔记之折半查找法(二分法)
- 【转载】知乎答案----孙志岗----Google 发布了程序员养成指南,国内互联网巨头是否也有类似的指南和课程推荐...
- Django 一些 简单 配置
- SpringMVC由浅入深day01_1springmvc框架介绍
- 从一件数据清洗的小事说起
- 智能电话机器人源码安装 部署好后,人工智能电话机器人,不仅仅是打电话而已!
- VSCode python 中文乱码
- mysql安装,mysql环境变量配置
- gm21模型python_GM11灰色模型
- 树莓派安装win10
- Topic 18. 临床预测模型之缺失值插补方法
- 计算机启动黑屏时间很长,win7开机黑屏时间长怎么办?win7开机黑屏很久解决办法...
- Vue+Koa2移动电商实战 (四)easymock和axios的使用
- ​Spring Cloud中统一异常处理是怎么做的?
- HI,Bing,近期数字安全领域有什么热点事件?
- 教育的未来--我的感想
- vba 发送邮件 html,VBA自动发送邮件+内容+附件
- 通过短信网关发送Wappush消息
- 响应式设计中怎样布局?
热门文章
- mysql 5.5.48源码安装_centos5.5+apache2.2.15+mysql5.1.48+php5.2.13 编译安装 --by 画符抓鬼撰聊斋.doc...
- matlab超出所有矩阵维度,matlab中索引超出矩阵维度
- IKAnalyzer
- nginx名词含义解释
- Web漏洞-任意文件读取漏洞
- Redis高频面试题汇总(下)
- C语言实现 最大访客数(不同时间段) 查询程序
- python numpy pandas 书 全_夯基固本学Python—Numpy与Pandas
- DockerCon_2017_那些Docker的新技术你们怎么看?
- 电脑如何双开多开微信?