論文の概要: Teachers in concordance for pseudo-labeling of 3D sequential data

• arxiv url: http://arxiv.org/abs/2207.06079v1
• Date: Wed, 13 Jul 2022 09:40:22 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-14 15:34:50.107938
• Title: Teachers in concordance for pseudo-labeling of 3D sequential data
• Title（参考訳）: 3次元シーケンシャルデータの擬似ラベル作成のための教師
• Authors: Awet Haileslassie Gebrehiwot, Patrik Vacek, David Hurych, Karel Zimmermann, Patrick Perez, Tom\'a\v{s} Svoboda
• Abstract要約: 本稿では,複数の教師を訓練することで,教師教育における擬似ラベル化手法の強化を図るために,キャプチャの逐次性を活用することを提案する。 Concordanceと呼ばれるこの一連の教師は、標準的な方法よりも高品質な学生教育のための擬似ラベルを提供する。 本手法は,手動ラベルの20%しか使用せず,完全教師付き手法よりも優れていた。
• 参考スコア（独自算出の注目度）: 1.1610573589377013
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Automatic pseudo-labeling is a powerful tool to tap into large amounts of sequential unlabeled data. It is especially appealing in safety-critical applications of autonomous driving where performance requirements are extreme, datasets large, and manual labeling is very challenging. We propose to leverage the sequentiality of the captures to boost the pseudo-labeling technique in a teacher-student setup via training multiple teachers, each with access to different temporal information. This set of teachers, dubbed Concordance, provides higher quality pseudo-labels for the student training than standard methods. The output of multiple teachers is combined via a novel pseudo-label confidence-guided criterion. Our experimental evaluation focuses on the 3D point cloud domain in urban driving scenarios. We show the performance of our method applied to multiple model architectures with tasks of 3D semantic segmentation and 3D object detection on two benchmark datasets. Our method, using only 20% of manual labels, outperforms some of the fully supervised methods. Special performance boost is achieved for classes rarely appearing in the training data, e.g., bicycles and pedestrians. The implementation of our approach is publicly available at https://github.com/ctu-vras/T-Concord3D.
• Abstract（参考訳）: 自動擬似ラベル付けは、大量のシーケンシャルな未ラベルデータをタップする強力なツールである。 特に、パフォーマンス要件が極端であり、データセットが大きく、手動ラベリングが非常に難しい自動運転の安全クリティカルな応用に魅力があります。 本稿では,複数の教員を訓練し,異なる時間情報にアクセスすることで,教師-学生間の擬似ラベリング手法を向上するために,キャプチャのシーケンシャル性を活用することを提案する。 この教師のセットはconcordanceと呼ばれ、標準的な方法よりも生徒の訓練に高品質な擬似ラベルを提供する。 複数の教師の出力は、新しい疑似ラベル信頼誘導基準によって結合される。 実験評価では,都市走行シナリオにおける3dポイントクラウドドメインに着目した。 3次元意味セグメンテーションと3次元オブジェクト検出のタスクを2つのベンチマークデータセットで有する複数のモデルアーキテクチャに適用する手法の性能を示す。 本手法はマニュアルラベルの20%しか使用せず,全教師あり手法に匹敵する手法である。 特別なパフォーマンス向上は、自転車や歩行者など、トレーニングデータにほとんど現れないクラスで達成される。 このアプローチの実装はhttps://github.com/ctu-vras/T-Concord3Dで公開されています。

関連論文リスト

• TrajSSL: Trajectory-Enhanced Semi-Supervised 3D Object Detection [59.498894868956306]
  Pseudo-labeling approach to semi-supervised learning は教師-学生の枠組みを採用する。 我々は、事前学習した動き予測モデルを活用し、擬似ラベル付きデータに基づいて物体軌跡を生成する。 提案手法は2つの異なる方法で擬似ラベル品質を向上する。
  論文  参考訳（メタデータ） (2024-09-17T05:35:00Z)
• Dual-Perspective Knowledge Enrichment for Semi-Supervised 3D Object Detection [55.210991151015534]
  本稿では, DPKE という新しい2次元知識豊か化手法を提案する。 我々のDPKEは、データパースペクティブと機能パースペクティブという2つの観点から、限られたトレーニングデータ、特にラベルなしデータの知識を豊かにしています。
  論文  参考訳（メタデータ） (2024-01-10T08:56:07Z)
• You Only Need One Thing One Click: Self-Training for Weakly Supervised 3D Scene Understanding [107.06117227661204]
  私たちはOne Thing One Click''を提案する。つまり、アノテーションはオブジェクトごとに1つのポイントをラベル付けするだけです。 グラフ伝搬モジュールによって促進されるトレーニングとラベル伝搬を反復的に行う。 我々のモデルは、ポイントクラスタリング戦略を備えた3Dインスタンスセグメンテーションと互換性がある。
  論文  参考訳（メタデータ） (2023-03-26T13:57:00Z)
• Label Name is Mantra: Unifying Point Cloud Segmentation across Heterogeneous Datasets [17.503843467554592]
  本稿では,異なるラベル集合を持つ異種データセットからの学習を支援する原理的アプローチを提案する。 我々の考えは、学習済みの言語モデルを用いて、ラベル名を用いて離散ラベルを連続的な潜在空間に埋め込むことである。 私たちのモデルは最先端の技術を大きなマージンで上回ります。
  論文  参考訳（メタデータ） (2023-03-19T06:14:22Z)
• LESS: Label-Efficient Semantic Segmentation for LiDAR Point Clouds [62.49198183539889]
  我々は,LiDAR点雲を用いた屋外シーンのためのラベル効率のよいセマンティックセマンティックセマンティクスパイプラインを提案する。 本手法は,半弱教師付き学習を用いて,効率的なラベリング手法を設計する。 提案手法は,100%ラベル付き完全教師付き手法と比較して,さらに競争力が高い。
  論文  参考訳（メタデータ） (2022-10-14T19:13:36Z)
• 3D Spatial Recognition without Spatially Labeled 3D [127.6254240158249]
  Weakly-supervised framework for Point cloud Recognitionを紹介する。 We show that WyPR can detected and segment objects in point cloud data without access any space labels at training time。
  論文  参考訳（メタデータ） (2021-05-13T17:58:07Z)
• One Thing One Click: A Self-Training Approach for Weakly Supervised 3D Semantic Segmentation [78.36781565047656]
  私たちは、アノテーションーがオブジェクトごとに1ポイントだけラベルを付ける必要があることを意味する「One Thing One Click」を提案します。 グラフ伝搬モジュールによって促進されるトレーニングとラベル伝搬を反復的に行う。 私たちの結果は、完全に監督されたものと同等です。
  論文  参考訳（メタデータ） (2021-04-06T02:27:25Z)

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。