MARC

 008250123s2024        us                              c    eng  d
■001000017162582
■00520250211152029
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798384049968
■035    ▼a(MiAaPQ)AAI31333906
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a629.8
■1001  ▼aChen,  Xiangyu.▼0(orcid)0000-0002-5632-7120
■24510▼aTowards  Generalized  3D  Object  Detection  for  Autonomous  Driving:  Enhancing  Data  Efficiency  in  Novel  Domains
■260    ▼a[Sl]▼bCornell  University▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a159  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-03,  Section:  B.
■500    ▼aAdvisor:  Weinberger,  Kilian.
■5021  ▼aThesis  (Ph.D.)--Cornell  University,  2024.
■520    ▼aRobust  3D  object  detection  is  fundamental  to  the  advancement  of  robotics  and  autonomous  driving,  allowing  autonomous  systems  to  navigate  complex  environments  safely  and  efficiently.  Current  3D  object  detection  algorithms  rely  on  supervised  learning  using  large-scale  annotated  datasets,  which  are  meticulously  designed  to  reflect  diverse  real-world  scenarios  and  object  variations.  Creating  and  annotating  such  datasets  is  notoriously  labor-intensive  and  time-consuming,  requiring  significant  efforts  to  ensure  precision  and  comprehensiveness.However,  due  to  the  rapid  development  and  geographic  differences  in  vehicle  designs,  deploying  these  carefully  tuned  systems  in  real-world  environments  still  introduces  domain  gaps  that  compromise  performance.  These  challenges  are  often  addressed  by  continuously  collecting  and  annotating  additional  data,  which  is  unsustainable  due  to  the  high  costs  involved.  Consequently,  there  is  a  pressing  need  for  more  generalized  3D  object  detection  capabilities  to  ensure  consistent  and  reliable  performance  across  diverse  and  evolving  domains.In  this  thesis,  we  identified  mis-localization  as  the  primary  cause  of  reduced  3D  object  detection  performance  in  novel  domains.  That  is,  3D  objects  (e.g.  cars,  cyclists,  and  pedestrians)  in  novel  domains  can  generally  be  correctly  identified  by  unadapted  3D  object  detectors,  but  their  precise  sizes,  locations,  and  orientations  are  often  inaccurate.  However,  previous  studies  tend  to  view  object  detection  in  novel  domains  as  entirely  new  tasks,  overlooking  the  fact  that  objects  of  the  same  class  often  share  similar  shapes  across  domains,  and  that  bounding  boxes  are  consistently  defined  to  be  tight  around  the  objects.We  argue  that  addressing  such  mis-localization  does  not  necessarily  require  extensive  data  collection  and  annotation.  In  fact,  successful  adaptation  can  be  achieved  with  minimal  or  even  no  prior  knowledge  of  the  new  domain.  Notably,  Stat  Norm  (Chap.  2)  significantly  enhances  domain  adaptation  performance  by  simulating  new  domains  using  only  their  object  dimension  statistics;  DRIFT  (Chap.  3)  markedly  improves  both  the  efficiency  and  performance  of  unsupervised  object  discovery  in  novel  domains  by  aligning  3D  object  detectors  with  heuristic  reward  functions;  DiffuBox  (Chap.  4)  consistently  boosts  existing  domain  adaptation  methods  through  domain-agnostic  bounding  box  refinement  that  operates  in  the  bounding-box-relative  view.  Through  comprehensive  experimental  results,  we  demonstrate  that  incorporating  shape  knowledge  and  heuristic  priors  can  effectively  mitigate  the  domain  gaps,  achieving  more  robust,  efficient,  and  generalized  3D  object  detection  across  diverse  environments  without  the  need  for  extensive  domain-specific  data  collection  and  annotation.  Overall,  we  offer  a  more  practical  and  scalable  solution  for  deploying  autonomous  driving  systems  in  diverse  real-world  scenarios.
■590    ▼aSchool  code:  0058.
■650  4▼aRobotics
■650  4▼aComputer  science
■653    ▼a3D  object  detection
■653    ▼aAutonomous  driving
■653    ▼aComputer  vision
■653    ▼aData  efficiency
■653    ▼aDomain  adaptation
■653    ▼aMachine  learning
■690    ▼a0800
■690    ▼a0771
■690    ▼a0984
■71020▼aCornell  University▼bComputer  Science.
■7730  ▼tDissertations  Abstracts  International▼g86-03B.
■790    ▼a0058
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17162582▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books