論文の概要: LESS: Label-Efficient Semantic Segmentation for LiDAR Point Clouds

• arxiv url: http://arxiv.org/abs/2210.08064v1
• Date: Fri, 14 Oct 2022 19:13:36 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-18 20:47:31.586520
• Title: LESS: Label-Efficient Semantic Segmentation for LiDAR Point Clouds
• Title（参考訳）: LESS: LiDAR ポイントクラウドのためのラベル効率の良いセマンティックセグメンテーション
• Authors: Minghua Liu, Yin Zhou, Charles R. Qi, Boqing Gong, Hao Su, Dragomir Anguelov
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 62.49198183539889
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Semantic segmentation of LiDAR point clouds is an important task in autonomous driving. However, training deep models via conventional supervised methods requires large datasets which are costly to label. It is critical to have label-efficient segmentation approaches to scale up the model to new operational domains or to improve performance on rare cases. While most prior works focus on indoor scenes, we are one of the first to propose a label-efficient semantic segmentation pipeline for outdoor scenes with LiDAR point clouds. Our method co-designs an efficient labeling process with semi/weakly supervised learning and is applicable to nearly any 3D semantic segmentation backbones. Specifically, we leverage geometry patterns in outdoor scenes to have a heuristic pre-segmentation to reduce the manual labeling and jointly design the learning targets with the labeling process. In the learning step, we leverage prototype learning to get more descriptive point embeddings and use multi-scan distillation to exploit richer semantics from temporally aggregated point clouds to boost the performance of single-scan models. Evaluated on the SemanticKITTI and the nuScenes datasets, we show that our proposed method outperforms existing label-efficient methods. With extremely limited human annotations (e.g., 0.1% point labels), our proposed method is even highly competitive compared to the fully supervised counterpart with 100% labels.
• Abstract（参考訳）: LiDAR点雲のセマンティックセグメンテーションは自動運転において重要な課題である。 しかしながら、従来の教師付きメソッドによる深層モデルのトレーニングには、ラベル付けにコストがかかる大きなデータセットが必要になる。 ラベル効率のよいセグメンテーションアプローチによって、モデルを新しい運用ドメインにスケールアップしたり、稀なケースでのパフォーマンスを向上させることが重要です。 先行研究の多くは屋内シーンに焦点を当てているが,lidar point cloudを用いた屋外シーンを対象としたラベル効率の高い意味セグメンテーションパイプラインを提案する最初の例である。 本手法は,半教師あり学習を伴う効率的なラベリングプロセスを共同設計し,ほぼすべての3次元意味セグメンテーションバックボーンに適用できる。 具体的には,屋外場面の幾何学的パターンを利用してヒューリスティックな前セグメントを持ち,手作業によるラベリングを低減し,学習目標とラベリングプロセスを同時に設計する。 学習段階において、我々はプロトタイプ学習を活用してより記述的な点埋め込みを求め、マルチスキャン蒸留を用いて時間的に集約された点雲からよりリッチな意味を活用し、単一スキャンモデルの性能を向上させる。 提案手法は,SemanticKITTIとnuScenesデータセットに基づいて評価し,既存のラベル効率の手法よりも優れていることを示す。 非常に限定的な人間のアノテーション(例えば0.1%のポイントラベル)では、提案手法は100%のラベルを持つ完全教師付きアノテーションよりも高い競争力を持つ。

関連論文リスト

• A Data-efficient Framework for Robotics Large-scale LiDAR Scene Parsing [10.497309421830671]
  既存の最先端の3Dポイントクラウド理解手法は、完全に教師された方法でのみうまく機能する。 この研究は、ラベルが制限されているときのポイントクラウドを理解するための、汎用的でシンプルなフレームワークを提示している。
  論文  参考訳（メタデータ） (2023-12-03T02:38:51Z)
• Weakly Supervised 3D Instance Segmentation without Instance-level Annotations [57.615325809883636]
  3Dセマンティックシーン理解タスクは、ディープラーニングの出現によって大きな成功を収めた。 本稿では,分類的セマンティックラベルのみを監督対象とする,弱制御型3Dインスタンスセマンティクス手法を提案する。 分類的セマンティックラベルから擬似インスタンスラベルを生成することで,アノテーションコストの低減で既存の3Dインスタンスセグメンテーションの学習を支援することができる。
  論文  参考訳（メタデータ） (2023-08-03T12:30:52Z)
• Active Self-Training for Weakly Supervised 3D Scene Semantic Segmentation [17.27850877649498]
  本稿では,自己学習と能動的学習を組み合わせた3次元シーンの弱教師付きセグメンテーション手法を提案する。 提案手法は,従来の作業やベースラインよりもシーンセグメンテーションを改善する効果的な手法であることを示す。
  論文  参考訳（メタデータ） (2022-09-15T06:00:25Z)
• Collaborative Propagation on Multiple Instance Graphs for 3D Instance Segmentation with Single-point Supervision [63.429704654271475]
  本稿では,1つのオブジェクトを1つのポイントでラベル付けするだけでよい,弱教師付き手法RWSegを提案する。 これらの疎いラベルにより、セマンティック情報とインスタンス情報を伝達する2つの分岐を持つ統一的なフレームワークを導入する。 具体的には、異なるインスタンスグラフ間の競合を促進するクロスグラフ競合ランダムウォークス(CRW)アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-08-10T02:14:39Z)
• 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)
• Label-Efficient Point Cloud Semantic Segmentation: An Active Learning Approach [35.23982484919796]
  公平なベンチマークを可能にするため,より現実的なアノテーションカウント方式を提案する。 ラベル付け予算をより活用するために、スーパーポイントベースのアクティブラーニング戦略を採用する。 2つのベンチマークデータセットの実験は、提案されたアクティブラーニング戦略の有効性を示しています。
  論文  参考訳（メタデータ） (2021-01-18T08:37:21Z)
• Few-shot 3D Point Cloud Semantic Segmentation [138.80825169240302]
  本稿では,新しい注意型マルチプロトタイプトランスダクティブ・ショットポイント・クラウドセマンティックセマンティック・セマンティクス法を提案する。 提案手法は,雲のセマンティックセマンティックセグメンテーション設定の違いによるベースラインに比べて,顕著で一貫した改善を示す。
  論文  参考訳（メタデータ） (2020-06-22T08:05:25Z)
• Weakly Supervised Semantic Point Cloud Segmentation:Towards 10X Fewer Labels [77.65554439859967]
  トレーニング段階でラベル付けされるポイントのごく一部しか必要としない,弱教師付きポイントクラウドセグメンテーション手法を提案する。 実験は3つの公開データセットで行われ、監督の度合いが異なる。
  論文  参考訳（メタデータ） (2020-04-08T16:14:41Z)

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。