論文の概要: FLAVA: Find, Localize, Adjust and Verify to Annotate LiDAR-Based Point Clouds

• arxiv url: http://arxiv.org/abs/2011.10174v1
• Date: Fri, 20 Nov 2020 02:22:36 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-23 06:42:02.852059
• Title: FLAVA: Find, Localize, Adjust and Verify to Annotate LiDAR-Based Point Clouds
• Title（参考訳）: FLAVA: LiDARベースのポイントクラウドの検索、ローカライズ、調整、検証
• Authors: Tai Wang, Conghui He, Zhe Wang, Jianping Shi, Dahua Lin
• Abstract要約: アノテーションプロセスにおけるヒューマンインタラクションを最小化するための体系的アプローチであるFLAVAを提案する。 具体的には、アノテーションパイプラインを、検索、ローカライズ、調整、検証の4つの部分に分割します。 また,本システムでは,実験結果を伝搬する軽量で効果的な機構を導入することにより,インタラクションの量を大幅に削減する。
• 参考スコア（独自算出の注目度）: 93.3595555830426
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Recent years have witnessed the rapid progress of perception algorithms on top of LiDAR, a widely adopted sensor for autonomous driving systems. These LiDAR-based solutions are typically data hungry, requiring a large amount of data to be labeled for training and evaluation. However, annotating this kind of data is very challenging due to the sparsity and irregularity of point clouds and more complex interaction involved in this procedure. To tackle this problem, we propose FLAVA, a systematic approach to minimizing human interaction in the annotation process. Specifically, we divide the annotation pipeline into four parts: find, localize, adjust and verify. In addition, we carefully design the UI for different stages of the annotation procedure, thus keeping the annotators to focus on the aspects that are most important to each stage. Furthermore, our system also greatly reduces the amount of interaction by introducing a light-weight yet effective mechanism to propagate the annotation results. Experimental results show that our method can remarkably accelerate the procedure and improve the annotation quality.
• Abstract（参考訳）: 近年、自動運転システムに広く採用されているセンサーであるLiDAR上での認識アルゴリズムの急速な進歩を目撃している。 これらのLiDARベースのソリューションは通常、データ空腹であり、トレーニングと評価のために大量のデータをラベル付けする必要がある。 しかし、このようなデータの注釈付けは非常に難しいのは、点雲のばらつきと不規則さと、この手順に関わるより複雑な相互作用のためである。 そこで本研究では,アノテーションプロセスにおけるヒューマンインタラクションを最小化するための体系的アプローチであるFLAVAを提案する。 具体的には、アノテーションパイプラインをfind、localize、adapted、verifyの4つに分割します。 さらに、アノテーション手順の異なる段階のUIを慎重に設計し、各段階において最も重要な側面にアノテータを集中させます。 さらに,アノテーション結果を伝達する軽量かつ効果的な機構を導入することで,インタラクションの量を大幅に削減する。 実験の結果, 提案手法は, 手順を著しく加速し, アノテーション品質を向上できることがわかった。

関連論文リスト

• FLARES: Fast and Accurate LiDAR Multi-Range Semantic Segmentation [52.89847760590189]
  3Dシーンの理解は、自動運転における重要な課題である。 近年の手法では、レンジビュー表現を利用して処理効率を向上している。 範囲ビューに基づくLiDARセマンティックセマンティックセグメンテーションのためのワークフローを再設計する。
  論文  参考訳（メタデータ） (2025-02-13T12:39:26Z)
• Localized Gaussians as Self-Attention Weights for Point Clouds Correspondence [92.07601770031236]
  本稿では,エンコーダのみのトランスフォーマーアーキテクチャのアテンションヘッドにおける意味的意味パターンについて検討する。 注意重みの修正はトレーニングプロセスの促進だけでなく,最適化の安定性の向上にも寄与する。
  論文  参考訳（メタデータ） (2024-09-20T07:41:47Z)
• Semi-supervised Open-World Object Detection [74.95267079505145]
  半教師付きオープンワールド検出(SS-OWOD)という,より現実的な定式化を導入する。 提案したSS-OWOD設定では,最先端OWOD検出器の性能が劇的に低下することが実証された。 我々は,MS COCO, PASCAL, Objects365, DOTAの4つのデータセットを用いた実験を行い, 提案手法の有効性を実証した。
  論文  参考訳（メタデータ） (2024-02-25T07:12:51Z)
• PointJEM: Self-supervised Point Cloud Understanding for Reducing Feature Redundancy via Joint Entropy Maximization [10.53900407467811]
  本稿では,ポイントクラウド分野に適用した自己教師付き表現学習手法であるPointJEMを提案する。 特徴の余分な情報を減らすために、PointJEMは異なる部分間の関節のエントロピーを最大化する。 PointJEMは、分類やセグメンテーションといった下流タスクにおける競合的なパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2023-12-06T08:21:42Z)
• Refining the ONCE Benchmark with Hyperparameter Tuning [45.55545585587993]
  本研究は、ポイントクラウドデータに対する半教師付き学習アプローチの評価に焦点を当てる。 データアノテーションは、LiDARアプリケーションのコンテキストにおいて最も重要である。 従来の半教師付き手法による改善は,従来考えられていたほど深くない可能性が示唆された。
  論文  参考訳（メタデータ） (2023-11-10T13:39:07Z)
• UnLoc: A Universal Localization Method for Autonomous Vehicles using LiDAR, Radar and/or Camera Input [51.150605800173366]
  UnLocは、全ての気象条件におけるマルチセンサー入力によるローカライズのための、新しい統一型ニューラルネットワークアプローチである。 本手法は,Oxford Radar RobotCar,Apollo SouthBay,Perth-WAの各データセットで広く評価されている。
  論文  参考訳（メタデータ） (2023-07-03T04:10:55Z)
• An Efficient Semi-Automated Scheme for Infrastructure LiDAR Annotation [15.523875367380196]
  トラッキングアルゴリズムを用いてLiDARシーケンスを自動的にアノテートする,効率的な半自動アノテーションツールを提案する。 本ツールでは,マルチオブジェクト追跡(MOT),シングルオブジェクト追跡(SOT),適切なトラック後処理手法をシームレスに統合する。
  論文  参考訳（メタデータ） (2023-01-25T17:42:15Z)
• Learning Moving-Object Tracking with FMCW LiDAR [53.05551269151209]
  新たに開発したLiDARセンサである周波数変調連続波(FMCW)を用いた学習型移動物体追跡手法を提案する。 ラベルが与えられた場合,同じインスタンスから機能を埋め込みスペースにまとめて,異なるインスタンスから機能を分離してトラッキング品質を向上させる,対照的な学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-03-02T09:11:36Z)
• Handling Missing Annotations in Supervised Learning Data [0.0]
  ADL (Activity of Daily Living) は、非常に大きなセンサーデータ読み取りを利用するシステムの例である。 生成されたデータセットのサイズは非常に大きいので、人間のアノテーションがデータセットのすべてのインスタンスに特定のラベルを付けることはほとんど不可能です。 本研究では,これらのギャップに対処する3つのパラダイムを提案し,検討する。
  論文  参考訳（メタデータ） (2020-02-17T18:23:56Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。