Refining the ONCE Benchmark with Hyperparameter Tuning

要約

自動運転、ロボット工学、拡張現実などのアプリケーションにおける 3D オブジェクト検出の需要の高まりに応えて、この研究では点群データの半教師あり学習アプローチの評価に焦点を当てています。
LiDAR センサーの進歩により、点群表現により、照明条件に関係なく、信頼性の高い一貫した観測が可能になります。
データ アノテーションは、LiDAR アプリケーションのコンテキストにおいて最も重要であり、半教師ありメソッドによる 3D データ アノテーションの自動化は、関連する作業負荷を軽減し、費用対効果の高い LiDAR ソリューションの出現を促進することが期待される極めて重要な課題です。
それにもかかわらず、順序のない点群データのコンテキストでの半教師あり学習のタスクは、正確な疑似ラベルの生成を妨げる固有のスパース性と不完全な形状のため、依然として手ごわいものです。
この研究では、「ラベルのないデータはモデルのパフォーマンスの向上にどの程度貢献するのか?」という質問を投げかけることで、これらの課題を検討します。
以前の半教師あり手法からの改善は、これまで考えられていたほど大きくない可能性があることを示します。
私たちの結果は、教師ありモデルに適用された単純なグリッド検索ハイパーパラメータ調整が ONCE データセットで最先端のパフォーマンスをもたらす可能性がある一方、ラベルなしデータの寄与は比較的例外的ではないようであることを示唆しています。

要約(オリジナル)

In response to the growing demand for 3D object detection in applications such as autonomous driving, robotics, and augmented reality, this work focuses on the evaluation of semi-supervised learning approaches for point cloud data. The point cloud representation provides reliable and consistent observations regardless of lighting conditions, thanks to advances in LiDAR sensors. Data annotation is of paramount importance in the context of LiDAR applications, and automating 3D data annotation with semi-supervised methods is a pivotal challenge that promises to reduce the associated workload and facilitate the emergence of cost-effective LiDAR solutions. Nevertheless, the task of semi-supervised learning in the context of unordered point cloud data remains formidable due to the inherent sparsity and incomplete shapes that hinder the generation of accurate pseudo-labels. In this study, we consider these challenges by posing the question: ‘To what extent does unlabelled data contribute to the enhancement of model performance?’ We show that improvements from previous semi-supervised methods may not be as profound as previously thought. Our results suggest that simple grid search hyperparameter tuning applied to a supervised model can lead to state-of-the-art performance on the ONCE dataset, while the contribution of unlabelled data appears to be comparatively less exceptional.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google