TTA-COPE: Test-Time Adaptation for Category-Level Object Pose Estimation

要約

テスト時間適応法は、ターゲット データにラベルを付けることなくモデルを徐々に更新することで、ソース ドメインとターゲット ドメインのギャップに対処するための実用的なソリューションとして、最近注目を集めています。
この論文では、TTA-COPEと呼ばれるカテゴリレベルのオブジェクトポーズ推定のためのテスト時間適応の方法を提案します。
ポーズ認識の自信を使用して、自己訓練損失を伴うポーズ アンサンブル アプローチを設計します。
カテゴリ レベルのオブジェクト ポーズ推定のための以前の教師なしドメイン適応方法とは異なり、私たちのアプローチはテスト データを順次オンラインで処理し、実行時にソース ドメインへのアクセスを必要としません。
広範な実験結果は、提案されたポーズ アンサンブルと自己訓練損失が、半教師ありと教師なしの両方の設定で、テスト時間中にカテゴリ レベルのオブジェクト ポーズのパフォーマンスを向上させることを示しています。
プロジェクトページ：https://taeyeop.com/ttacope

要約(オリジナル)

Test-time adaptation methods have been gaining attention recently as a practical solution for addressing source-to-target domain gaps by gradually updating the model without requiring labels on the target data. In this paper, we propose a method of test-time adaptation for category-level object pose estimation called TTA-COPE. We design a pose ensemble approach with a self-training loss using pose-aware confidence. Unlike previous unsupervised domain adaptation methods for category-level object pose estimation, our approach processes the test data in a sequential, online manner, and it does not require access to the source domain at runtime. Extensive experimental results demonstrate that the proposed pose ensemble and the self-training loss improve category-level object pose performance during test time under both semi-supervised and unsupervised settings. Project page: https://taeyeop.com/ttacope

arxiv情報

提供元, 利用サービス

arxiv.jp, Google