論文の概要: A Survey of Label-Efficient Deep Learning for 3D Point Clouds

• arxiv url: http://arxiv.org/abs/2305.19812v1
• Date: Wed, 31 May 2023 12:54:51 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-01 16:42:23.168669
• Title: A Survey of Label-Efficient Deep Learning for 3D Point Clouds
• Title（参考訳）: 3次元点雲のラベル有効深層学習に関する調査
• Authors: Aoran Xiao, Xiaoqin Zhang, Ling Shao, Shijian Lu
• Abstract要約: 本稿では,点雲のラベル効率学習に関する包括的調査を行う。 本稿では,ラベルの種類によって提供されるデータ前提条件に基づいて,ラベル効率のよい学習手法を整理する分類法を提案する。 それぞれのアプローチについて、問題設定の概要と、関連する進展と課題を示す広範な文献レビューを提供する。
• 参考スコア（独自算出の注目度）: 114.20981754985218
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: In the past decade, deep neural networks have achieved significant progress in point cloud learning. However, collecting large-scale precisely-annotated training data is extremely laborious and expensive, which hinders the scalability of existing point cloud datasets and poses a bottleneck for efficient exploration of point cloud data in various tasks and applications. Label-efficient learning offers a promising solution by enabling effective deep network training with much-reduced annotation efforts. This paper presents the first comprehensive survey of label-efficient learning of point clouds. We address three critical questions in this emerging research field: i) the importance and urgency of label-efficient learning in point cloud processing, ii) the subfields it encompasses, and iii) the progress achieved in this area. To achieve this, we propose a taxonomy that organizes label-efficient learning methods based on the data prerequisites provided by different types of labels. We categorize four typical label-efficient learning approaches that significantly reduce point cloud annotation efforts: data augmentation, domain transfer learning, weakly-supervised learning, and pretrained foundation models. For each approach, we outline the problem setup and provide an extensive literature review that showcases relevant progress and challenges. Finally, we share insights into current research challenges and potential future directions. A project associated with this survey has been built at \url{https://github.com/xiaoaoran/3D_label_efficient_learning}.
• Abstract（参考訳）: 過去10年間で、深層ニューラルネットワークは、ポイントクラウド学習において大きな進歩を遂げてきた。 しかし、大規模正確に注釈されたトレーニングデータの収集は非常に手間と費用がかかり、既存のpoint cloudデータセットのスケーラビリティを阻害し、様々なタスクやアプリケーションにおけるpoint cloudデータの効率的な探索のボトルネックとなる。 ラベル効率のよい学習は、多量のアノテーションによる効果的なディープネットワークトレーニングを可能にすることで、有望なソリューションを提供する。 本稿では,点雲のラベル効率学習に関する包括的調査を行う。 この新興研究分野における3つの重要な疑問に答えます 一 ポイントクラウド処理におけるラベル効率学習の重要性及び緊急性 二 当該サブフィールドが包含しているもの 三 この領域における進展 そこで我々は,ラベルの種類によって提供されるデータ前提条件に基づいて,ラベル効率のよい学習手法を整理する分類法を提案する。 私たちは、データ拡張、ドメイン転送学習、弱い教師付き学習、事前学習された基礎モデルという4つの典型的なラベル効率のよい学習アプローチを分類します。 それぞれのアプローチについて,問題を概説し,関連する進展と課題を示す広範な文献レビューを提供する。 最後に,現在の研究課題と今後の方向性について考察する。 この調査に関連するプロジェクトは、 \url{https://github.com/xiaoaoran/3D_label_efficient_learning}に構築されている。

関連論文リスト

• Deep Learning-based 3D Point Cloud Classification: A Systematic Survey and Outlook [12.014972829130764]
  本稿では,ポイントクラウドの獲得,特徴,課題を紹介する。 我々は3Dデータ表現、ストレージフォーマット、およびポイントクラウド分類のための一般的に使用されるデータセットについてレビューする。
  論文  参考訳（メタデータ） (2023-11-05T09:28:43Z)
• Hierarchical Point-based Active Learning for Semi-supervised Point Cloud Semantic Segmentation [48.40853126077237]
  大規模ポイントクラウドデータをポイントワイドラベルで取得することは、労働集約的だ。 アクティブラーニングは、この目的を達成するための効果的な戦略の1つだが、まだ探索されていない。 本稿では,階層的なポイントベースアクティブラーニング戦略を開発する。
  論文  参考訳（メタデータ） (2023-08-22T03:52:05Z)
• Self-Supervised Learning for Point Clouds Data: A Survey [8.858165912687923]
  自己監督学習(SSL)は、時間と労働集約的なデータラベリング問題を解決するための重要なソリューションであると考えられている。 本稿では,ポイントクラウドにおけるSSLの最近の進歩を包括的に調査する。
  論文  参考訳（メタデータ） (2023-05-09T08:47:09Z)
• Open-Set Semi-Supervised Learning for 3D Point Cloud Understanding [62.17020485045456]
  半教師付き学習(SSL)では、ラベル付きデータと同じ分布からラベル付きデータが引き出されることが一般的である。 サンプル重み付けによりラベルなしデータを選択的に活用することを提案する。
  論文  参考訳（メタデータ） (2022-05-02T16:09:17Z)
• Unsupervised Point Cloud Representation Learning with Deep Neural Networks: A Survey [104.71816962689296]
  大規模クラウドラベリングの制約により,教師なしのポイントクラウド表現学習が注目されている。 本稿では、ディープニューラルネットワークを用いた教師なしポイントクラウド表現学習の総合的なレビューを提供する。
  論文  参考訳（メタデータ） (2022-02-28T07:46:05Z)
• Point Discriminative Learning for Unsupervised Representation Learning on 3D Point Clouds [54.31515001741987]
  3次元点雲上での教師なし表現学習のための点識別学習法を提案する。 我々は、中間レベルとグローバルレベルの特徴に新しい点識別損失を課すことにより、これを達成した。 提案手法は強力な表現を学習し,新しい最先端性能を実現する。
  論文  参考訳（メタデータ） (2021-08-04T15:11:48Z)
• 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)
• Deep Learning for 3D Point Cloud Understanding: A Survey [16.35767262996978]
  自律運転やロボティクスといった実用アプリケーションの開発は、3Dポイントのクラウド理解に注意を向けている。 ディープラーニングは、画像ベースのタスクにおいて顕著な成功を収めていますが、大規模で非構造的でノイズの多い3Dポイントを処理する際に、ディープニューラルネットワークが直面する多くのユニークな課題があります。 本稿では,この領域における最近の顕著な研究成果を,いくつかの方向から要約する。
  論文  参考訳（メタデータ） (2020-09-18T16:34:12Z)
• 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。