WLST: Weak Labels Guided Self-training for Weakly-supervised Domain Adaptation on 3D Object Detection

要約

3D オブジェクト検出のドメイン アダプテーション (DA) の分野では、ほとんどの研究が教師なしドメイン アダプテーション (UDA) に特化しています。
しかし、ターゲット アノテーションがなければ、UDA アプローチと完全教師ありアプローチとの間のパフォーマンスのギャップは依然として顕著であり、現実世界のアプリケーションでは非現実的です。
一方、弱教師ドメイン適応 (WDA) は、ターゲット ドメインでのラベル付け作業がほとんど必要ないだけで、十分に研究されていないものの実用的なタスクです。
費用対効果の高い方法で DA のパフォーマンスを向上させるために、3D オブジェクト検出の WDA 用に設計された一般的な弱いラベルに基づく自己トレーニング フレームワーク WLST を提案します。
2D 境界ボックスから 3D 疑似ラベルを生成できるオートラベラーを既存の自己トレーニング パイプラインに組み込むことにより、私たちのメソッドは、ターゲット ドメインでのトレーニング プロセスに利益をもたらす、より堅牢で一貫性のある疑似ラベルを生成できます。
広範な実験により、WLST フレームワークの有効性、堅牢性、および検出器に依存しないことが実証されています。
注目すべき点は、すべての評価タスクにおいて、これまでの最先端の方法よりも優れたパフォーマンスを発揮することです。

要約(オリジナル)

In the field of domain adaptation (DA) on 3D object detection, most of the work is dedicated to unsupervised domain adaptation (UDA). Yet, without any target annotations, the performance gap between the UDA approaches and the fully-supervised approach is still noticeable, which is impractical for real-world applications. On the other hand, weakly-supervised domain adaptation (WDA) is an underexplored yet practical task that only requires few labeling effort on the target domain. To improve the DA performance in a cost-effective way, we propose a general weak labels guided self-training framework, WLST, designed for WDA on 3D object detection. By incorporating autolabeler, which can generate 3D pseudo labels from 2D bounding boxes, into the existing self-training pipeline, our method is able to generate more robust and consistent pseudo labels that would benefit the training process on the target domain. Extensive experiments demonstrate the effectiveness, robustness, and detector-agnosticism of our WLST framework. Notably, it outperforms previous state-of-the-art methods on all evaluation tasks.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google