[論文レビュー] Towards Cross-Platform Generalization: Domain Adaptive 3D Detection with Augmentation and Pseudo-Labeling

Xiyan Feng, Wenbo Zhang+4 more|arXiv (Cornell University)|Jan 13, 2026

Advanced Neural Network Applications被引用数 0

ひとこと要約

この論文は、PVRCNN++を基盤としたドメイン適応型の3D物体検知手法を提案し、 targeted augmentation と pseudo-label self-training を用いてクロスプラットフォーム一般化を向上させ、 RoboSense2025 ベンチマークで表彰台レベルの性能を達成します。

ABSTRACT

This technical report represents the award-winning solution to the Cross-platform 3D Object Detection task in the RoboSense2025 Challenge. Our approach is built upon PVRCNN++, an efficient 3D object detection framework that effectively integrates point-based and voxel-based features. On top of this foundation, we improve cross-platform generalization by narrowing domain gaps through tailored data augmentation and a self-training strategy with pseudo-labels. These enhancements enabled our approach to secure the 3rd place in the challenge, achieving a 3D AP of 62.67% for the Car category on the phase-1 target domain, and 58.76% and 49.81% for Car and Pedestrian categories respectively on the phase-2 target domain.

研究の動機と目的

• 不同ドメインターゲット間での3D検出のクロスプラットフォーム一般化を促進する。
• 強力なベースライン（PVRCNN++）を活用し、ポイントベースとボクセルベースの特徴を統合して効率化を図る。
• tailored data augmentationとpseudo-labelを用いた自己学習戦略でドメインギャップを狭める。
• RoboSense2025 の phase-1 および phase-2 ターゲット領域におけるCarおよびPedestrian検出で競争力ある性能を示す。

提案手法

• ベースフレームワーク: 点ベースとボクセルベースの特徴を統合した PVRCNN++
• Specialized data augmentation 技術によるドメインギャップの狭間化を適用
• pseudo-label を用いた自己学習戦略を採用してターゲットドメイン分布をさらに整合
• RoboSense2025 の phase-1 および phase-2 ターゲットで Car および Pedestrian 検出を評価

実験結果

リサーチクエスチョン

• RQ1 3D検出でクロスプラットフォーム(クロスドメイン)一般化をどのように改善できるか？
• RQ2 augmentationとpseudo-labelingは3D検出におけるドメインギャップの縮小にどのような役割を果たすか？
• RQ3 提案手法は RoboSense2025 phase-1およびphase-2ターゲット領域のCarとPedestrianカテゴリでどう性能を示すか？
• RQ4 提案手法はベースラインと比較して3D AP指標にどのような影響をもたらすか？

主な発見

• Phase-1ターゲット領域でCarの3D APを62.67%達成。
• Phase-2ターゲット領域でCarの3D APを58.76%、Pedestrianを49.81%達成。