Fugu-MT 論文翻訳(概要): Open-world Semantic Segmentation for LIDAR Point Clouds

論文の概要: Open-world Semantic Segmentation for LIDAR Point Clouds

arxiv url: http://arxiv.org/abs/2207.01452v1
Date: Mon, 4 Jul 2022 14:40:35 GMT
ステータス: 処理完了
システム内更新日: 2022-07-05 16:25:03.242432
Title: Open-world Semantic Segmentation for LIDAR Point Clouds
Title（参考訳）: ライダーポイントクラウドのためのオープンワールドセマンティクスセグメンテーション
Authors: Jun Cen, Peng Yun, Shiwei Zhang, Junhao Cai, Di Luan, Michael Yu Wang, Ming Liu, Mingqian Tang
Abstract要約: LIDAR点雲に対するオープンワールドセマンティックセマンティックセマンティクスタスクを提案する。オープンセットセマンティックセグメンテーションを使って、古いクラスと新しいクラスの両方を識別することを目的としている。また、漸進的な学習を用いて、新しいオブジェクトを既存の知識ベースに徐々に組み込む。
参考スコア（独自算出の注目度）: 18.45831801175225
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Current methods for LIDAR semantic segmentation are not robust enough for real-world applications, e.g., autonomous driving, since it is closed-set and static. The closed-set assumption makes the network only able to output labels of trained classes, even for objects never seen before, while a static network cannot update its knowledge base according to what it has seen. Therefore, in this work, we propose the open-world semantic segmentation task for LIDAR point clouds, which aims to 1) identify both old and novel classes using open-set semantic segmentation, and 2) gradually incorporate novel objects into the existing knowledge base using incremental learning without forgetting old classes. For this purpose, we propose a REdundAncy cLassifier (REAL) framework to provide a general architecture for both the open-set semantic segmentation and incremental learning problems. The experimental results show that REAL can simultaneously achieves state-of-the-art performance in the open-set semantic segmentation task on the SemanticKITTI and nuScenes datasets, and alleviate the catastrophic forgetting problem with a large margin during incremental learning.
Abstract（参考訳）: 現在のlidarセマンティクスセグメンテーションの手法は、クローズドセットで静的であるため、現実のアプリケーション、例えば自動運転に十分堅牢ではない。クローズドセットの仮定により、ネットワークはトレーニングされたクラスのラベルのみを出力できる。そこで本研究では,lidar point cloudのためのオープンワールドセマンティクスセグメンテーションタスクを提案する。 1)オープンセットセマンティックセグメンテーションを用いて古クラスと新クラスを識別し、 2) 古いクラスを忘れることなく,段階的学習を用いて,新たなオブジェクトを既存の知識ベースに徐々に組み込む。この目的のために,オープンセット意味セグメンテーションとインクリメンタル学習問題の両方に対して,汎用アーキテクチャを提供するための冗長性分類器(real)フレームワークを提案する。実験結果から,REALはSemanticKITTIおよびnuScenesデータセットのオープンセットセマンティックセマンティックセマンティックセマンティクスタスクにおいて,同時に最先端の性能を達成でき,漸進学習において大きなマージンを持つ壊滅的忘れ問題を軽減することができることがわかった。

関連論文リスト

Exploiting the Semantic Knowledge of Pre-trained Text-Encoders for Continual Learning [70.64617500380287]
継続的な学習は、モデルが学習した知識を維持しながら、新しいデータから学習することを可能にする。画像のラベル情報で利用できるセマンティック知識は、以前に取得したセマンティッククラスの知識と関連する重要なセマンティック情報を提供する。テキスト埋め込みを用いて意味的類似性を把握し,タスク内およびタスク間のセマンティックガイダンスの統合を提案する。
論文参考訳（メタデータ） (2024-08-02T07:51:44Z)
Auxiliary Tasks Enhanced Dual-affinity Learning for Weakly Supervised Semantic Segmentation [79.05949524349005]
AuxSegNet+は、サリエンシマップから豊富な情報を探索する弱教師付き補助学習フレームワークである。また,サリエンシとセグメンテーションの特徴マップから画素レベルの親和性を学習するためのクロスタスク親和性学習機構を提案する。
論文参考訳（メタデータ） (2024-03-02T10:03:21Z)
Open-Vocabulary Camouflaged Object Segmentation [66.94945066779988]
OVCOS(Open-vocabulary camouflaged Object segmentation)を導入した。我々は11,483個の手選択画像とそれに対応するオブジェクトクラスを含む大規模複合シーンデータセット(textbfOVCamo)を構築した。クラスセマンティック知識の指導とエッジ情報と深度情報からの視覚構造的手がかりの補足を統合することにより、提案手法は効率よくカモフラージュされたオブジェクトを捕捉できる。
論文参考訳（メタデータ） (2023-11-19T06:00:39Z)
SegPrompt: Boosting Open-world Segmentation via Category-level Prompt Learning [49.17344010035996]
オープンワールドインスタンスセグメンテーション(OWIS)モデルは、クラスに依存しない方法で未知のオブジェクトを検出する。以前のOWISは、未知のオブジェクトに一般化するモデルの能力を維持するために、トレーニング中のカテゴリ情報を完全に消去するアプローチだった。そこで本研究では,モデルのクラスに依存しないセグメンテーション能力を改善するためにカテゴリ情報を利用するSegPromptと呼ばれる新しいトレーニング機構を提案する。
論文参考訳（メタデータ） (2023-08-12T11:25:39Z)
Coreset Sampling from Open-Set for Fine-Grained Self-Supervised Learning [10.57079240576682]
本稿では,大規模未ラベルのオープンセットが利用可能であるという前提の下で,オープンセットの自己改善型学習問題を新たに導入する。問題設定では、オープンセットとターゲットデータセットの分布ミスマッチを考慮することが重要である。実験により,SimCoreは表現学習性能を大幅に向上することを示した。
論文参考訳（メタデータ） (2023-03-20T13:38:29Z)
ElC-OIS: Ellipsoidal Clustering for Open-World Instance Segmentation on LiDAR Data [13.978966783993146]
オープンワールドインスタンス(OIS)は、現在の観察に現れるすべてのオブジェクトインスタンスを正確に分割することを目的とした、難しいタスクである。これは、堅牢な自律ナビゲーションのような安全クリティカルなアプリケーションにとって重要である。我々は、LiDARポイントクラウドのための柔軟で効果的なOISフレームワークを提案し、既知のインスタンスと未知のインスタンスの両方を正確に分割できる。
論文参考訳（メタデータ） (2023-03-08T03:22:11Z)
Learning from Mistakes: Self-Regularizing Hierarchical Representations in Point Cloud Semantic Segmentation [15.353256018248103]
LiDARセマンティックセマンティックセマンティクスは、きめ細かいシーン理解を実現するために注目を集めている。本稿では、標準モデルから派生した分類ミスタケス(LEAK)からLEArnを分離する粗大な設定を提案する。我々のLEAKアプローチは非常に一般的で、どんなセグメンテーションアーキテクチャにもシームレスに適用できます。
論文参考訳（メタデータ） (2023-01-26T14:52:30Z)
Continual Coarse-to-Fine Domain Adaptation in Semantic Segmentation [22.366638308792734]
ディープニューラルネットワークは通常、特定のタスクとデータ分散のために、単一のショットでトレーニングされる。実際の環境では、タスクとアプリケーションドメインの両方が変更される可能性がある。本稿では,ドメインシフトが存在する場合のセマンティックセグメンテーションアーキテクチャの粗大な学習という新たな課題を紹介する。
論文参考訳（メタデータ） (2022-01-18T13:31:19Z)
Deep Metric Learning for Open World Semantic Segmentation [12.617115020561789]
クローズセットセマンティックセグメンテーションネットワークは、オフ・オブ・ディストリビューション(OOD)オブジェクトを検出する能力に制限がある。 2つのモジュールを含むオープンワールドセマンティックセマンティックセマンティクスシステムを提案する。我々は、オープンセットセマンティックセグメンテーションを実装するために、コントラストクラスタリングを備えたDeep Metric Learning Network(DMLNet)を採用する。
論文参考訳（メタデータ） (2021-08-10T10:15:57Z)
Leveraging Auxiliary Tasks with Affinity Learning for Weakly Supervised Semantic Segmentation [88.49669148290306]
そこで我々はAuxSegNetと呼ばれる弱教師付きマルチタスク・フレームワークを提案し,サリエンシ検出とマルチラベル画像分類を補助タスクとして活用する。同様の構造的セマンティクスに着想を得て,サリエンシとセグメンテーションの表現から,クロスタスクなグローバル画素レベルの親和性マップを学習することを提案する。学習されたクロスタスク親和性は、両方のタスクに対して改善された擬似ラベルを提供するために、唾液度予測を洗練し、CAMマップを伝播するために使用することができる。
論文参考訳（メタデータ） (2021-07-25T11:39:58Z)
Exemplar-Based Open-Set Panoptic Segmentation Network [79.99748041746592]
我々は、オープンワールドにパン光学セグメンテーションを拡張し、オープンセットのパン光学セグメンテーション(OPS)タスクを導入する。本研究では,タスクの実践的課題を調査し,既存のデータセットであるCOCO上にベンチマークを構築する。本稿では,エスペクティブ理論に着想を得た,エスペクティブ・ベース・オープン・セット・パノプティブ・セグメンテーション・ネットワーク(EOPSN)を提案する。
論文参考訳（メタデータ） (2021-05-18T07:59:21Z)

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。