MA-ST3D:关于3D对象检测的无监督域适应的运动相关自训练

科学领域:

• 计算机视觉 计算机视觉
• 机器学习 机器学习
• 机器人技术 机器人技术 机器人技术

背景情况:

• 无监督域调整 (UDA) 对于3D对象检测至关重要,以降低注释成本.
• 自主训练 (ST) 是一种常见的UDA技术,但由于领域转移,它遭受了不精确的伪标签.
• 准确的伪标签对于有效的3D物体检测自我训练至关重要.

研究的目的:

• 开发一种用于3D物体检测的新型自我训练无监督域适应 (ST-UDA) 框架.
• 通过利用3D点云序列的空间和时间一致性来生成高质量的伪标签.
• 在域适应场景中提高3D对象检测器的性能.

主要方法:

• 引入了用于3D物体检测 (MA-ST3D) 的运动相关自训练.
• 采用全球-本地路径 (GLP) 架构,利用框架内和框架间的一致性.
• 集成的全球和本地内存模块来稳定伪标签和运动感知损失功能.

主要成果:

• 在所有评估的无监督域适应设置中,MA-ST3D实现了最先进的 (SOTA) 性能.
• 该方法在Kitti和NuScenes基准上表现出优异的性能,与监督较弱的域名适应相比.
• 在Waymo,Kitti和nuScenes数据集上进行评估,证实了强大的域名适应能力.

结论:

• MA-ST3D有效地生成高质量的伪标签,用于在无监督域调整中检测3D对象.
• 拟议的框架显著提高了在域移动下3D对象检测性能.
• MA-ST3D为减少3D对象检测中的注释成本提供了一个有希望的解决方案.