안녕하세요.
이번 포스팅은 3D object detection에서 Domain Adaptation에 관련된 논문을 리뷰해보겠습니다.
3D object detection 더 좁게 설정하면 pointcloud detection은 다양한 domain에서의 data가 많지 않기때문에 model을 generalization하기 어렵습니다.
아래의 논문리뷰에서도 언급한 내용입니다.
[paper review]Density-Insensitive Unsupervised Domain Adaption on 3D Object Detection 논문 리뷰 (model generalization)
이번 포스팅은 3D object detection에서 DA(domain adaptation)에 관련된 DUDA논문의 리뷰입니다. 해당 논문의 문제정의부터 보면 최근 3D Object Detection (좀 더 자세하게는 pointcloud model을 의미합니다) 의 발전
jaehoon-daddy.tistory.com
ST3D는 이러한 문제를 해결하기 위한 Domain Adaptation의 방법입니다.
ROS (random object scaling)
위에 포스팅한 논문이 ST3D의 후속작입니다. 전체적인 아키텍쳐는 거의 비슷합니다. ROS는 source domain에서의 augmentation을 적용하는 방법입니다.
pointcloud의 점들에 대해 일정수준의 size변환과 translation과 rotation을 적용합니다.
QTMB
DIUDA의 논문과 비슷한 방법으로 pretrain detector로 target data를 prediction한 결과(pseudo label)와 pretrain detector로 target data를 ROS를 이용해서 augmentation하여 prediction한 결과를 비교합니다. 두 prediction의 IoU결과를 비교하여 loss로 추가합니다.
다음으로 애매한 pseudo label을 피하기 위해 triplet box 방법을 제시합니다. 사실상 regularization이라고 보시면 됩니다. IoU의 값이 일정 threshold이하면 제외하고 범위에 맞게 state값을 주어줍니다.
Memory Ensemble
메모리 앙상블은 이전의 pseudo label과 현재의 pseudo label을 앙상블하는 과정입니다. 거리가 유사한 bbox끼리 voting 방법으로 앙상블을 진행합니다.
CDA training
curriculum data augmentation으로 overfitting되는 것을 막는 역할을 하는데 단순히 augmentation의 정도를 점점 심하게 하여 overfitting을 방지합니다.
