論文の概要: Robust Point Cloud Segmentation with Noisy Annotations
- arxiv url: http://arxiv.org/abs/2212.03242v1
- Date: Tue, 6 Dec 2022 18:59:58 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-07 16:06:41.249645
- Title: Robust Point Cloud Segmentation with Noisy Annotations
- Title（参考訳）: 雑音アノテーションを用いたロバストポイントクラウドセグメンテーション
- Authors: Shuquan Ye and Dongdong Chen and Songfang Han and Jing Liao
- Abstract要約: クラスラベルは、実世界のデータセットのインスタンスレベルとバウンダリレベルの両方で誤ってラベル付けされることが多い。
我々は、Point Noise-Adaptive Learningフレームワークを提案することで、インスタンスレベルのラベルノイズを解決するのをリードする。
我々のフレームワークはベースラインを大幅に上回り、完全にクリーンなデータでトレーニングされた上限に匹敵する。
- 参考スコア（独自算出の注目度）: 32.991219357321334
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Point cloud segmentation is a fundamental task in 3D. Despite recent progress
on point cloud segmentation with the power of deep networks, current learning
methods based on the clean label assumptions may fail with noisy labels. Yet,
class labels are often mislabeled at both instance-level and boundary-level in
real-world datasets. In this work, we take the lead in solving the
instance-level label noise by proposing a Point Noise-Adaptive Learning (PNAL)
framework. Compared to noise-robust methods on image tasks, our framework is
noise-rate blind, to cope with the spatially variant noise rate specific to
point clouds. Specifically, we propose a point-wise confidence selection to
obtain reliable labels from the historical predictions of each point. A
cluster-wise label correction is proposed with a voting strategy to generate
the best possible label by considering the neighbor correlations. To handle
boundary-level label noise, we also propose a variant ``PNAL-boundary " with a
progressive boundary label cleaning strategy. Extensive experiments demonstrate
its effectiveness on both synthetic and real-world noisy datasets. Even with
$60\%$ symmetric noise and high-level boundary noise, our framework
significantly outperforms its baselines, and is comparable to the upper bound
trained on completely clean data. Moreover, we cleaned the popular real-world
dataset ScanNetV2 for rigorous experiment. Our code and data is available at
https://github.com/pleaseconnectwifi/PNAL.
- Abstract（参考訳）: ポイントクラウドセグメンテーションは3Dの基本的なタスクである。
近年の深層ネットワークによるポイントクラウドセグメンテーションの進展にもかかわらず、クリーンラベルの仮定に基づく現在の学習方法はノイズのあるラベルで失敗する可能性がある。
しかし、実際のデータセットでは、クラスラベルはしばしばインスタンスレベルとバウンダリレベルで誤ってラベル付けされる。
本稿では,pnal(point noise-adaptive learning)フレームワークを提案することにより,インスタンスレベルのラベルノイズを解決する。
画像タスクにおけるノイズロバスト手法と比較すると,提案手法はノイズレートブラインドであり,ポイントクラウド特有の空間的変動に対処できる。
具体的には,各点の履歴予測から信頼ラベルを得るためのポイントワイズ信頼選択を提案する。
クラスタ単位のラベル補正を投票戦略で提案し, 隣接相関を考慮し, 最適なラベルを生成する。
また,境界レベルのラベルノイズに対処するため,プログレッシブな境界ラベルクリーニング戦略を持つ「PNAL境界」も提案する。
大規模な実験は、合成と実世界のノイズデータセットの両方でその効果を示す。
60\%の対称ノイズと高レベル境界ノイズであっても、我々のフレームワークはベースラインを著しく上回り、完全にクリーンなデータで訓練された上限に匹敵する。
さらに,実世界のデータセットscannetv2を厳密な実験のためにクリーニングした。
私たちのコードとデータはhttps://github.com/pleaseconnectwifi/pnalで入手できます。
関連論文リスト
- Extracting Clean and Balanced Subset for Noisy Long-tailed Classification [66.47809135771698]
そこで我々は,分布マッチングの観点から,クラスプロトタイプを用いた新しい擬似ラベリング手法を開発した。
手動で特定の確率尺度を設定することで、ノイズと長い尾を持つデータの副作用を同時に減らすことができる。
本手法は, クリーンなラベル付きクラスバランスサブセットを抽出し, ラベルノイズ付きロングテール分類において, 効果的な性能向上を実現する。
論文 参考訳（メタデータ） (2024-04-10T07:34:37Z) - Group Benefits Instances Selection for Data Purification [21.977432359384835]
ラベルノイズと戦う既存の方法は通常、合成データセット上で設計およびテストされる。
本稿では,合成および実世界の両方のデータセットに対するノイズラベル問題を緩和するGRIPという手法を提案する。
論文 参考訳（メタデータ） (2024-03-23T03:06:19Z) - PNT-Edge: Towards Robust Edge Detection with Noisy Labels by Learning
Pixel-level Noise Transitions [119.17602768128806]
特に大規模なデータセットでは、エッジの正確なラベル付けは難しい。
本稿では,ラベル破壊過程をモデル化するために,Pixelレベルのノイズ遷移を学習することを提案する。
論文 参考訳（メタデータ） (2023-07-26T09:45:17Z) - Lifting Weak Supervision To Structured Prediction [12.219011764895853]
弱監督 (WS) は、容易に得られるがノイズの多いラベル推定を集約することで擬似ラベルを生成する、豊富な手法のセットである。
擬ユークリッド埋め込みとテンソル分解に基づく弱監督手法を提案する。
ノイズのあるラベルを持つ構造化予測において頑健性を保証するとみなすこの結果のいくつかは、独立した関心事である可能性がある。
論文 参考訳（メタデータ） (2022-11-24T02:02:58Z) - S3: Supervised Self-supervised Learning under Label Noise [53.02249460567745]
本稿では,ラベルノイズの存在下での分類の問題に対処する。
提案手法の核心は,サンプルのアノテートラベルと特徴空間内のその近傍のラベルの分布との整合性に依存するサンプル選択機構である。
提案手法は,CIFARCIFAR100とWebVisionやANIMAL-10Nなどの実環境ノイズデータセットの両方で,従来の手法をはるかに上回っている。
論文 参考訳（メタデータ） (2021-11-22T15:49:20Z) - Learning with Noisy Labels for Robust Point Cloud Segmentation [22.203927159777123]
オブジェクトクラスラベルは、しばしば現実世界のポイントクラウドデータセットで誤ってラベル付けされる。
本稿では,PNAL(Point Noise-Adaptive Learning)フレームワークを提案する。
我々は,PNALが合成および実世界の雑音データセットに与える影響を実証するために,広範囲な実験を行った。
論文 参考訳（メタデータ） (2021-07-29T17:59:54Z) - Training Classifiers that are Universally Robust to All Label Noise
Levels [91.13870793906968]
ディープニューラルネットワークは、ラベルノイズの存在下で過度に適合する傾向がある。
ポジティヴ・アンラベルラーニングの新たなサブカテゴリを取り入れた蒸留ベースのフレームワークを提案する。
我々の枠組みは概して中～高騒音レベルにおいて優れています。
論文 参考訳（メタデータ） (2021-05-27T13:49:31Z) - Co-Seg: An Image Segmentation Framework Against Label Corruption [8.219887855003648]
改良されたディープラーニングのパフォーマンスは、トレーニングのための高品質なラベルの可用性に強く結びついている。
我々は,低品質なノイズラベルを含むデータセット上でセグメンテーションネットワークを協調的に学習する新しいフレームワーク,Co-Segを提案する。
我々のフレームワークはどんなセグメンテーションアルゴリズムでも容易に実装でき、ノイズの多いラベルへのロバスト性を高めることができる。
論文 参考訳（メタデータ） (2021-01-31T20:01:40Z) - A Second-Order Approach to Learning with Instance-Dependent Label Noise [58.555527517928596]
ラベルノイズの存在は、しばしばディープニューラルネットワークのトレーニングを誤解させる。
人間による注釈付きラベルのエラーは、タスクの難易度レベルに依存する可能性が高いことを示しています。
論文 参考訳（メタデータ） (2020-12-22T06:36:58Z) - Class2Simi: A Noise Reduction Perspective on Learning with Noisy Labels [98.13491369929798]
そこで我々は,ノイズのあるクラスラベルを持つデータポイントを,ノイズの多い類似ラベルを持つデータペアに変換するClass2Simiというフレームワークを提案する。
Class2Simiは、この変換がミニバッチのオンザフライであるだけでなく、モデル予測上の損失をペアワイズに変化させるため、計算的に効率的である。
論文 参考訳（メタデータ） (2020-06-14T07:55:32Z) - Label Noise Types and Their Effects on Deep Learning [0.0]
本研究では,異なる種類のラベルノイズが学習に与える影響を詳細に分析する。
本稿では,特徴に依存したラベルノイズを生成する汎用フレームワークを提案する。
他の研究者がノイズの多いラベルでアルゴリズムをテストしやすいように、最も一般的に使用されているベンチマークデータセットに対して、破損したラベルを共有します。
論文 参考訳（メタデータ） (2020-03-23T18:03:39Z)
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。