MS3D: Leveraging Multiple Detectors for Unsupervised Domain Adaptation in 3D Object Detection

要約

タイトル：MS3D: 3D物体検出における教師なしドメイン適応のための複数の検出器の活用

要約：

– 3D物体検出器の精度は高いが、特定のドメインのバイアスにオーバーフィットするため、様々なセンサー設定や環境で最適なパフォーマンスを発揮できない場合がある。
– 従来の方法は、単一の検出器をターゲットドメインに適応させることに焦点を当ててきたが、異なる検出器は異なるドメインに特化しているため、それらを組み合わせることで、より高品質な疑似ラベルを生成できる。
– MS3Dは、複数のソースドメインから事前にトレーニングされた異なる検出器を組み合わせ、時間情報を組み込んで高品質な疑似ラベルを生成するための新しい自己トレーニングパイプラインである。
– MS3Dの提案するKernel-Density Estimation (KDE) Box Fusion方法は、複数のドメインからのボックスプロポーザルを統合して、最も良いソースドメイン検出器のパフォーマンスを上回る疑似ラベルを生成する。
– MS3Dは、ドメインシフトに対する耐性が高く、より遠い距離で正確な疑似ラベルを生成できるため、高から低ビームのドメイン適応や逆に適している。
– MS3Dは、すべての評価データセットで最高のパフォーマンスを発揮し、事前にトレーニングされた検出器のソースデータセットは、ファインチューニング結果にわずかな影響を与えるため、実世界のアプリケーションに適している。

要約(オリジナル)

We introduce Multi-Source 3D (MS3D), a new self-training pipeline for unsupervised domain adaptation in 3D object detection. Despite the remarkable accuracy of 3D detectors, they often overfit to specific domain biases, leading to suboptimal performance in various sensor setups and environments. Existing methods typically focus on adapting a single detector to the target domain, overlooking the fact that different detectors possess distinct expertise on different unseen domains. MS3D leverages this by combining different pre-trained detectors from multiple source domains and incorporating temporal information to produce high-quality pseudo-labels for fine-tuning. Our proposed Kernel-Density Estimation (KDE) Box Fusion method fuses box proposals from multiple domains to obtain pseudo-labels that surpass the performance of the best source domain detectors. MS3D exhibits greater robustness to domain shift and produces accurate pseudo-labels over greater distances, making it well-suited for high-to-low beam domain adaptation and vice versa. Our method achieved state-of-the-art performance on all evaluated datasets, and we demonstrate that the pre-trained detector’s source dataset has minimal impact on the fine-tuned result, making MS3D suitable for real-world applications.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI