論文の概要: Label Name is Mantra: Unifying Point Cloud Segmentation across Heterogeneous Datasets

• arxiv url: http://arxiv.org/abs/2303.10585v1
• Date: Sun, 19 Mar 2023 06:14:22 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-21 18:21:17.035197
• Title: Label Name is Mantra: Unifying Point Cloud Segmentation across Heterogeneous Datasets
• Title（参考訳）: ラベル名はMantra:不均一データセット間のポイントクラウドセグメンテーションの統合
• Authors: Yixun Liang, Hao He, Shishi Xiao, Hao Lu and Yingcong Chen
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 17.503843467554592
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Point cloud segmentation is a fundamental task in 3D vision that serves a wide range of applications. Although great progresses have been made these years, its practical usability is still limited by the availability of training data. Existing approaches cannot make full use of multiple datasets on hand due to the label mismatch among different datasets. In this paper, we propose a principled approach that supports learning from heterogeneous datasets with different label sets. Our idea is to utilize a pre-trained language model to embed discrete labels to a continuous latent space with the help of their label names. This unifies all labels of different datasets, so that joint training is doable. Meanwhile, classifying points in the continuous 3D space by their vocabulary tokens significantly increase the generalization ability of the model in comparison with existing approaches that have fixed decoder architecture. Besides, we also integrate prompt learning in our framework to alleviate data shifts among different data sources. Extensive experiments demonstrate that our model outperforms the state-of-the-art by a large margin.
• Abstract（参考訳）: ポイントクラウドセグメンテーションは、幅広いアプリケーションを提供する3dビジョンの基本的なタスクである。 近年は大きな進歩を遂げているものの、トレーニングデータの可用性によって実用性は依然として制限されている。 既存のアプローチでは、異なるデータセット間のラベルミスマッチのために、複数のデータセットを完全に使用することはできない。 本稿では,ラベル集合が異なる異種データセットからの学習を支援する原則付き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。 これにより、さまざまなデータセットのラベルを統一し、共同トレーニングが可能である。 一方、その語彙トークンによる連続3次元空間の点の分類は、固定デコーダアーキテクチャを持つ既存のアプローチと比較してモデルの一般化能力を大幅に向上させる。 さらに,異なるデータソース間のデータシフトを軽減するために,フレームワークに即時学習を統合しています。 大規模な実験により、我々のモデルは最先端技術よりも大きなマージンで優れていることが示された。

関連論文リスト

• Continuous Contrastive Learning for Long-Tailed Semi-Supervised Recognition [50.61991746981703]
  現在の最先端のLTSSLアプローチは、大規模な未ラベルデータに対して高品質な擬似ラベルに依存している。 本稿では,長期学習における様々な提案を統一する新しい確率的枠組みを提案する。 我々は、信頼度とスムーズな擬似ラベルを用いて、我々のフレームワークをラベルなしデータに拡張する、連続的コントラスト学習手法であるCCLを導入する。
  論文  参考訳（メタデータ） (2024-10-08T15:06:10Z)
• Scribbles for All: Benchmarking Scribble Supervised Segmentation Across Datasets [51.74296438621836]
  Scribbles for Allは、スクリブルラベルに基づいて訓練されたセマンティックセグメンテーションのためのラベルおよびトレーニングデータ生成アルゴリズムである。 弱い監督の源泉としてのスクリブルの主な制限は、スクリブルセグメンテーションのための挑戦的なデータセットの欠如である。 Scribbles for Allは、いくつかの人気のあるセグメンテーションデータセットのスクリブルラベルを提供し、密集したアノテーションを持つデータセットのスクリブルラベルを自動的に生成するアルゴリズムを提供する。
  論文  参考訳（メタデータ） (2024-08-22T15:29:08Z)
• 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)
• Teachers in concordance for pseudo-labeling of 3D sequential data [1.1610573589377013]
  そこで本研究では,複数の教員を養成することで,教員教育における擬似ラベリング手法の強化を図るために,点雲のシーケンス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。 20%のラベルしか使用していない我々の手法は、完全に教師された手法よりも優れています。
  論文  参考訳（メタデータ） (2022-07-13T09:40:22Z)
• Learning Semantic Segmentation from Multiple Datasets with Label Shifts [101.24334184653355]
  本論文では,ラベル空間が異なる複数のデータセットを対象としたモデルの自動学習手法であるUniSegを提案する。 具体的には,ラベルの相反と共起を考慮に入れた2つの損失を提案する。
  論文  参考訳（メタデータ） (2022-02-28T18:55:19Z)
• COLA: COarse LAbel pre-training for 3D semantic segmentation of sparse LiDAR datasets [3.8243923744440926]
  転送学習は、2次元コンピュータビジョンにおいて、利用可能な大量のデータを活用し、高い性能を達成するための実証された技術である。 本研究では,スパース自動運転LiDARスキャンのリアルタイムな3次元セマンティックセマンティックセマンティックセグメンテーションを実現する。 我々は,COLA(Coarse label pre-training)と呼ばれる新しい事前訓練タスクを導入する。
  論文  参考訳（メタデータ） (2022-02-14T17:19:23Z)
• Multi-domain semantic segmentation with overlapping labels [1.4120796122384087]
  本稿では,部分ラベルと確率的損失に基づいて重なり合うクラスを持つデータセットをシームレスに学習する手法を提案する。 本手法は,トレーニングデータセットに別々にラベル付けされていない視覚概念を学習すると同時に,競合するデータセット内およびクロスデータセットの一般化を実現する。
  論文  参考訳（メタデータ） (2021-08-25T13:25:41Z)
• Joining datasets via data augmentation in the label space for neural networks [6.036150783745836]
  ラベル空間におけるデータセットの結合を成功させるために,人工的に作成した知識グラフ,繰り返しニューラルネットワーク,ポリシー勾配を活用する新しい手法を提案する。 画像とテキストの分類における実験結果は,我々のアプローチの有効性を正当化するものである。
  論文  参考訳（メタデータ） (2021-06-17T06:08:11Z)
• 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)
• 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)

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。