论文推荐
“SFFAI107期来自香港大学的杨霁晗推荐的文章主要关注于计算机视觉的点云处理领域,你可以认真阅读讲者推荐的论文,来与讲者及同行线上交流哦。”
关注文章公众号
回复"SFFAI107"获取本主题精选论文
01
推荐理由:非常经典的无监督领域自适应的论文,主要是基于领域之间对齐方法给出的一个范式。
02
推荐理由:基于优化HΔH距离设计的一个全新训练范式,有更低的理论上界,而且可以摆脱对抗学习的不稳定及难训练问题。
03
推荐理由:ICCV best paper nomination,通过实验揭示了领域自适应中性能和L2范数之间的一些联系。
04
推荐理由:一种新的半监督和迁移学习的训练方式,主要是能够通过设计子任务来提高对于错误伪标签的容忍性。
05
推荐理由:一种离线的3D目标检测的自动标注方式,性能已经和人工标注相近。
06
推荐理由:一种根据下游任务和数据选择预训练模型的方法。
会议内容
会议简介
3D目标检测是对3D传感器数据中的对象进行分类和定位,这项技术在自动驾驶、机器人技术、虚拟现实等诸多领域中有着重要应用。在深度神经网络和大规模的标注数据集的推动下,近期该领域取得了显著进步。但由于不同类型的3D传感器、不同的天气条件和不同的地理位置都会导致域偏移,在一个特定域上开发的3D检测器可能无法很好地推广到新的测试域。尽管从不同的域收集更多的训练数据可以缓解此问题,但需要消耗巨大成本。本期我们邀请到来自香港大学的杨霁晗同学,分享他在3D点云目标检测无监督领域自适应任务上的研究,为此问题的解决提供新的思路。
讲者介绍
杨霁晗,香港大学一年级博士,主要研究方向为少样本学习,迁移学习。
会议题目
ST3D:一种基于自学习的3D目标检测无监督领域自适应方法
会议摘要
我们在3D点云目标检测无监督领域自适应任务上提出了一种新的领域自适应的自学习方法,叫做ST3D。首先,我们在源领域预训练一个检测器,并同时使用随机物体放缩作为数据增强来消除源领域带来的一些负面的领域偏差。然后,我们通过使检测器借助三元记忆仓库生成高质量的伪标签并利用高质量的伪标签结合渐进数据增强来得到更好的检测器进行迭代。这些专门的设计使我们的3D检测器能够在高质量和一致的伪标签上训练,并避免过拟合到大量的简单样本上。ST3D在多个取得了很好的性能,代码已经开源。
论文标题:ST3D: Self-training for Unsupervised Domain Adaptation on 3D Object Detection
论文下载:关注本公众号,对话框回复“SFFAI107”,获取下载
会议亮点
1、指出了3D目标检测无监督领域自适应的困难,以及利用自学习解决这个任务的一些挑战;
2、根据这些挑战重新设计了自学习的多个模块,使其适用于这个任务;
3、在多个迁移任务上取得了较大提升(16%~75%)。
直播时间
2021年5月23日(周日)20:00—21:00 线上直播
关注本公众号,对话框回复“SFFAI107”,获取入群二维码
注:直播地址会分享在交流群内
SFFAI招募!
现代科学技术高度社会化,在科学理论与技术方法上更加趋向综合与统一,为了满足人工智能不同领域研究者相互交流、彼此启发的需求,我们发起了SFFAI这个公益活动。SFFAI每周举行一期线下活动,邀请一线科研人员分享、讨论人工智能各个领域的前沿思想和最新成果,使专注于各个细分领域的研究者开拓视野、触类旁通。
SFFAI目前主要关注机器学习、计算机视觉、自然语言处理等各个人工智能垂直领域及交叉领域的前沿进展,将对线下讨论的内容进行线上传播,使后来者少踩坑,也为讲者塑造个人影响力。SFFAI还在构建人工智能领域的知识森林—AI Knowledge Forest,通过汇总各位参与者贡献的领域知识,沉淀线下分享的前沿精华,使AI Knowledge Tree枝繁叶茂,为人工智能社区做出贡献,欢迎大家关注SFFAI论坛:https://bbs.sffai.com。
论文推荐
《语义分割》论文推荐
《强化学习》论文推荐
《目标检测专题》论文推荐
《局部监督训练专题》论文推荐
《人体姿态估计》论文推荐
《多模态预训练》论文推荐
《优化算法》论文推荐
《数据扩增》论文推荐
《模型架构设计》论文推荐
《三维点云检测》论文推荐
《目标检测》论文推荐
《因果推理与机器学习》论文推荐
《人脸生成》 论文推荐
《知识图谱》论文推荐
《组合泛化》论文推荐
更多论文推荐历史文章
请点击文章底部“阅读原文”查看
分享、点赞、在看,给个三连击呗!