論文の概要: Learning to Detect Mobile Objects from LiDAR Scans Without Labels

• arxiv url: http://arxiv.org/abs/2203.15882v1
• Date: Tue, 29 Mar 2022 20:05:24 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-01 04:56:26.871912
• Title: Learning to Detect Mobile Objects from LiDAR Scans Without Labels
• Title（参考訳）: ラベルなしでLiDARスキャンから移動物体を検出する学習
• Authors: Yurong You, Katie Z Luo, Cheng Perng Phoo, Wei-Lun Chao, Wen Sun, Bharath Hariharan, Mark Campbell, Kilian Q. Weinberger
• Abstract要約: 現在、自動運転のための3Dオブジェクト検出器は、ほとんど完全に人間の注釈付きデータに基づいて訓練されている。 本稿では,地球上のほぼどこでも,安価かつ多量に収集できるラベルなしデータに基づく代替手法を提案する。
• 参考スコア（独自算出の注目度）: 60.49869345286879
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Current 3D object detectors for autonomous driving are almost entirely trained on human-annotated data. Although of high quality, the generation of such data is laborious and costly, restricting them to a few specific locations and object types. This paper proposes an alternative approach entirely based on unlabeled data, which can be collected cheaply and in abundance almost everywhere on earth. Our approach leverages several simple common sense heuristics to create an initial set of approximate seed labels. For example, relevant traffic participants are generally not persistent across multiple traversals of the same route, do not fly, and are never under ground. We demonstrate that these seed labels are highly effective to bootstrap a surprisingly accurate detector through repeated self-training without a single human annotated label.
• Abstract（参考訳）: 現在の3dオブジェクト検出器は、ほぼ完全に人間の注釈データに基づいて訓練されている。 高品質ではあるが、そのようなデータの生成は困難でコストがかかり、いくつかの特定の場所やオブジェクトタイプに制限される。 本稿では,地球上のほぼどこでも,安価かつ多量に収集できるラベルなしデータに基づく代替手法を提案する。 提案手法は,いくつかの単純な共通感覚ヒューリスティックを活用し,近似シードラベルの初期セットを作成する。 例えば、関連する交通参加者は、一般的に同じ経路の複数の経路にまたがって永続的ではなく、飛行せず、地上にいない。 これらのシードラベルは、人間の注釈付きラベルなしで繰り返し自己学習を行うことで、驚くほど正確な検出器をブートストラップするのに非常に効果的であることを示す。

関連論文リスト

• MixSup: Mixed-grained Supervision for Label-efficient LiDAR-based 3D Object Detection [59.1417156002086]
  MixSupは、大量の安価な粗いラベルと、Mixed-fine Supervisionの限られた数の正確なラベルを同時に活用する、より実用的なパラダイムである。 MixSupは、安価なクラスタアノテーションと10%のボックスアノテーションを使用して、完全な教師付きパフォーマンスの97.31%を達成している。
  論文  参考訳（メタデータ） (2024-01-29T17:05:19Z)
• Toward unlabeled multi-view 3D pedestrian detection by generalizable AI: techniques and performance analysis [7.414308466976969]
  汎用AIは、ラベルのないターゲットシーンにおける多視点3D歩行者検出を改善するために使用できる。 対象データの自動ラベル付けには,教師付き検出器を用いた擬似ラベル付けと教師なし検出器を用いた自動ラベル付けの2つの手法を検討する。 トレーニングされていない検出器をベースとした自動ラベリング手法を用いることで、トレーニングされていない検出器や既存のラベル付きソースデータセットでトレーニングした検出器を直接使用するよりも優れた結果が得られることを示す。
  論文  参考訳（メタデータ） (2023-08-08T18:24:53Z)
• Robust Assignment of Labels for Active Learning with Sparse and Noisy Annotations [0.17188280334580192]
  監視された分類アルゴリズムは、世界中の多くの現実の問題を解決するために使用される。 残念なことに、多くのタスクに対して良質なアノテーションを取得することは、実際に行うには不可能か、あるいはコストがかかりすぎます。 サンプル空間のラベルのない部分を利用する2つの新しいアノテーション統一アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-07-25T19:40:41Z)
• Unsupervised Adaptation from Repeated Traversals for Autonomous Driving [54.59577283226982]
  自動運転車はエンドユーザー環境に一般化し、確実に動作させなければならない。 潜在的な解決策の1つは、エンドユーザの環境から収集されたラベルのないデータを活用することである。 適応過程を監督する信頼性のある信号はターゲット領域に存在しない。 この単純な仮定は、ターゲット領域上の3次元物体検出器の反復的自己学習を可能にする強力な信号を得るのに十分であることを示す。
  論文  参考訳（メタデータ） (2023-03-27T15:07:55Z)
• Generalized Few-Shot 3D Object Detection of LiDAR Point Cloud for Autonomous Driving [91.39625612027386]
  我々は,一般的な(ベース)オブジェクトに対して大量のトレーニングデータを持つが,レア(ノーベル)クラスに対してはごく少数のデータしか持たない,一般化された数発の3Dオブジェクト検出という新しいタスクを提案する。 具体的には、画像と点雲の奥行きの違いを分析し、3D LiDARデータセットにおける少数ショット設定の実践的原理を示す。 この課題を解決するために,既存の3次元検出モデルを拡張し,一般的なオブジェクトと稀なオブジェクトの両方を認識するためのインクリメンタルな微調整手法を提案する。
  論文  参考訳（メタデータ） (2023-02-08T07:11:36Z)
• Learning from Multiple Annotator Noisy Labels via Sample-wise Label Fusion [17.427778867371153]
  一部の現実世界のアプリケーションでは、正確なラベリングは実現できないかもしれない。 複数のノイズラベルは、データサンプル毎に複数のアノテータによって提供される。
  論文  参考訳（メタデータ） (2022-07-22T20:38:20Z)
• AutoGeoLabel: Automated Label Generation for Geospatial Machine Learning [69.47585818994959]
  リモートセンシングデータのためのラベルの自動生成のためのビッグデータ処理パイプラインを評価する。 我々は,大規模データプラットフォームであるIBM PAIRSを用いて,密集都市部でそのようなラベルを動的に生成する。
  論文  参考訳（メタデータ） (2022-01-31T20:02:22Z)
• Adversarial Knowledge Transfer from Unlabeled Data [62.97253639100014]
  本稿では,インターネット規模の未ラベルデータから知識を伝達し,分類器の性能を向上させるための新しいAdversarial Knowledge Transferフレームワークを提案する。 我々の手法の重要な新しい側面は、ラベル付けされていないソースデータは、ラベル付けされたターゲットデータと異なるクラスであることができ、個別のプリテキストタスクを定義する必要がないことである。
  論文  参考訳（メタデータ） (2020-08-13T08:04:27Z)

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。