SAILOR: Scaling Anchors via Insights into Latent Object

要約

LiDAR 3D オブジェクト検出モデルは、必然的にトレーニング データセットに偏っています。
検出器は、対象のデータセット、特にオブジェクトのサイズに対して使用すると、この偏りを明確に示します。
ただし、オブジェクトのサイズは、たとえばラベル付けポリシーや地理的な場所が異なるため、ドメイン間で大きく異なります。
最先端の教師なしドメイン適応アプローチは、オブジェクト サイズの偏りを克服する方法をアウトソーシングします。
主流のサイズ適応アプローチは、元の教師なしの仮定に反して、ターゲット ドメインの統計を利用します。
私たちの新しい教師なしアンカー キャリブレーション メソッドは、この制限に対処します。
ソース データでトレーニングされたモデルが与えられると、完全に教師なしの方法で最適なターゲット アンカーを推定します。
主なアイデアは、直感的な観察に由来します。ターゲット ドメインのアンカー サイズを変更することで、必然的にノイズが発生したり、貴重なオブジェクト キューが削除されたりすることさえあります。
アンカー サイズによって乱された潜在オブジェクト表現は、最適なターゲット アンカーの下でのみ、学習したソース フィーチャに最も近くなります。
この観察結果をアンカー サイズの最適化に活用します。
私たちの実験結果は、再トレーニングなしで、最先端の弱い教師付きサイズ適応アプローチと比較しても競争力のある結果を達成することを示しています。
さらに、当社のアンカー キャリブレーションは、そのような既存の方法と組み合わせて、完全に教師なしにすることができます。

要約(オリジナル)

LiDAR 3D object detection models are inevitably biased towards their training dataset. The detector clearly exhibits this bias when employed on a target dataset, particularly towards object sizes. However, object sizes vary heavily between domains due to, for instance, different labeling policies or geographical locations. State-of-the-art unsupervised domain adaptation approaches outsource methods to overcome the object size bias. Mainstream size adaptation approaches exploit target domain statistics, contradicting the original unsupervised assumption. Our novel unsupervised anchor calibration method addresses this limitation. Given a model trained on the source data, we estimate the optimal target anchors in a completely unsupervised manner. The main idea stems from an intuitive observation: by varying the anchor sizes for the target domain, we inevitably introduce noise or even remove valuable object cues. The latent object representation, perturbed by the anchor size, is closest to the learned source features only under the optimal target anchors. We leverage this observation for anchor size optimization. Our experimental results show that, without any retraining, we achieve competitive results even compared to state-of-the-art weakly-supervised size adaptation approaches. In addition, our anchor calibration can be combined with such existing methods, making them completely unsupervised.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google