論文の概要: A Spatiotemporal Correspondence Approach to Unsupervised LiDAR Segmentation with Traffic Applications

• arxiv url: http://arxiv.org/abs/2308.12433v1
• Date: Wed, 23 Aug 2023 21:32:46 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-25 16:18:17.845999
• Title: A Spatiotemporal Correspondence Approach to Unsupervised LiDAR Segmentation with Traffic Applications
• Title（参考訳）: 交通用非教師なしLiDARセグメントの時空間対応手法
• Authors: Xiao Li, Pan He, Aotian Wu, Sanjay Ranka, Anand Rangarajan
• Abstract要約: 鍵となる考え方は、動的ポイントクラウドシーケンスの性質を活用し、非常に強力なシナリオを導入することである。 我々は、グループへのセマンティクスの最適化と、ポイントワイトテンポラルラベルを用いたクラスタリングを交互に行う。 本手法は,教師なし学習方式で識別的特徴を学習することができる。
• 参考スコア（独自算出の注目度）: 16.260518238832887
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We address the problem of unsupervised semantic segmentation of outdoor LiDAR point clouds in diverse traffic scenarios. The key idea is to leverage the spatiotemporal nature of a dynamic point cloud sequence and introduce drastically stronger augmentation by establishing spatiotemporal correspondences across multiple frames. We dovetail clustering and pseudo-label learning in this work. Essentially, we alternate between clustering points into semantic groups and optimizing models using point-wise pseudo-spatiotemporal labels with a simple learning objective. Therefore, our method can learn discriminative features in an unsupervised learning fashion. We show promising segmentation performance on Semantic-KITTI, SemanticPOSS, and FLORIDA benchmark datasets covering scenarios in autonomous vehicle and intersection infrastructure, which is competitive when compared against many existing fully supervised learning methods. This general framework can lead to a unified representation learning approach for LiDAR point clouds incorporating domain knowledge.
• Abstract（参考訳）: 多様な交通シナリオにおける屋外LiDAR点雲の教師なしセマンティックセマンティックセグメンテーションの問題に対処する。 鍵となるアイデアは、動的点雲列の時空間的性質を活用し、複数のフレームにまたがる時空間的対応を確立することによって大幅に強化することである。 本研究ではクラスタリングと擬似ラベル学習を取り上げている。 基本的に、クラスタリングポイントをセマンティクスグループに置き換え、単純な学習目的で、ポイントワイズ疑似spatiotemporalラベルを使用してモデルを最適化する。 そこで本手法は,教師なし学習方式で識別的特徴を学習することができる。 本稿では,セマンティック・キッティ,セマンティックPOSS,FLORIDAベンチマークのセグメンテーション性能について,既存の完全教師付き学習手法と比較した場合に比較して,自律走行車と交差点インフラのシナリオをカバーする有望なセグメンテーション性能を示す。 この一般的なフレームワークは、ドメイン知識を取り入れたLiDARポイントクラウドのための統一表現学習アプローチにつながる可能性がある。

関連論文リスト

• Point Contrastive Prediction with Semantic Clustering for Self-Supervised Learning on Point Cloud Videos [71.20376514273367]
  本稿では,オブジェクト中心およびシーン中心のデータを対象とした一元的クラウドビデオ自己教師型学習フレームワークを提案する。 本手法は、広範囲の下流タスクにおいて教師付きタスクよりも優れる。
  論文  参考訳（メタデータ） (2023-08-18T02:17:47Z)
• Spatiotemporal Self-supervised Learning for Point Clouds in the Wild [65.56679416475943]
  空間領域と時間領域の両方で正のペアを利用するSSL戦略を導入する。 2つの大規模LiDARデータセット上で,自己教師型トレーニングによって実施した広範囲な実験を通じて,このアプローチのメリットを実証する。
  論文  参考訳（メタデータ） (2023-03-28T18:06:22Z)
• Rethinking Range View Representation for LiDAR Segmentation [66.73116059734788]
  「多対一」マッピング、意味的不整合、形状変形は、射程射影からの効果的な学習に対する障害となる可能性がある。 RangeFormerは、ネットワークアーキテクチャ、データ拡張、後処理を含む新しい設計を含む、フルサイクルのフレームワークである。 比較対象のLiDARセマンティックスとパノプティックスセグメンテーションのベンチマークにおいて,初めてレンジビュー法が点,ボクセル,マルチビューフュージョンを越えられることを示す。
  論文  参考訳（メタデータ） (2023-03-09T16:13:27Z)
• Few-Shot Point Cloud Semantic Segmentation via Contrastive Self-Supervision and Multi-Resolution Attention [6.350163959194903]
  数発の学習事前学習のための対照的な自己超越フレームワークを提案する。 具体的には、3Dポイントクラウドのための学習可能な拡張子を用いて、新しいコントラスト学習アプローチを実装した。 最接近点と最遠点の両方を用いて多分解能アテンションモジュールを開発し,局所点と大域点の情報をより効率的に抽出する。
  論文  参考訳（メタデータ） (2023-02-21T07:59:31Z)
• 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)
• Semi-supervised Domain Adaptive Structure Learning [72.01544419893628]
  半教師付きドメイン適応 (SSDA) は,1) アノテーションの低いデータに過度に適合する手法と,2) ドメイン間の分散シフトの両方を克服しなければならない課題である。 SSLとDAの協調を正規化するための適応型構造学習手法を提案する。
  論文  参考訳（メタデータ） (2021-12-12T06:11:16Z)
• Unsupervised Representation Learning for Time Series with Temporal Neighborhood Coding [8.45908939323268]
  非定常時系列に対する一般化可能な表現を学習するための自己教師型フレームワークを提案する。 我々のモチベーションは、時系列データの動的性質をモデル化する能力が特に有用である医療分野に起因している。
  論文  参考訳（メタデータ） (2021-06-01T19:53:24Z)
• Self-Supervised Learning of Lidar Segmentation for Autonomous Indoor Navigation [17.46116398744719]
  本稿では,ライダーフレームのセマンティックセグメンテーションのための自己監督型学習手法を提案する。 本手法は,人間のアノテーションを使わずに,ディープポイントクラウドセグメンテーションアーキテクチャをトレーニングするために用いられる。 ネットワーク予測に関する洞察を提供し、我々のアプローチが共通のローカライズ技術のパフォーマンスを向上できることを示します。
  論文  参考訳（メタデータ） (2020-12-10T18:58:10Z)
• Panoster: End-to-end Panoptic Segmentation of LiDAR Point Clouds [81.12016263972298]
  我々は,LiDAR点雲のための提案不要なパノプティックセグメンテーション手法であるパノスターを提案する。 従来のアプローチとは異なり、Panosterでは、インスタンスを識別するための学習ベースのクラスタリングソリューションを組み込んだ、シンプルなフレームワークを提案している。 推論時に、これはクラスに依存しないセグメンテーションとして機能し、パノスターは高速で、精度の点で先行メソッドよりも優れている。
  論文  参考訳（メタデータ） (2020-10-28T18:10:20Z)

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。