論文の概要: Refining the ONCE Benchmark with Hyperparameter Tuning

• arxiv url: http://arxiv.org/abs/2311.06054v1
• Date: Fri, 10 Nov 2023 13:39:07 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-13 15:04:30.749324
• Title: Refining the ONCE Benchmark with Hyperparameter Tuning
• Title（参考訳）: ハイパーパラメータチューニングによるONCEベンチマークの精査
• Authors: Maksim Golyadkin, Alexander Gambashidze, Ildar Nurgaliev, Ilya Makarov
• Abstract要約: 本研究は、ポイントクラウドデータに対する半教師付き学習アプローチの評価に焦点を当てる。 データアノテーションは、LiDARアプリケーションのコンテキストにおいて最も重要である。 従来の半教師付き手法による改善は,従来考えられていたほど深くない可能性が示唆された。
• 参考スコア（独自算出の注目度）: 45.55545585587993
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In response to the growing demand for 3D object detection in applications such as autonomous driving, robotics, and augmented reality, this work focuses on the evaluation of semi-supervised learning approaches for point cloud data. The point cloud representation provides reliable and consistent observations regardless of lighting conditions, thanks to advances in LiDAR sensors. Data annotation is of paramount importance in the context of LiDAR applications, and automating 3D data annotation with semi-supervised methods is a pivotal challenge that promises to reduce the associated workload and facilitate the emergence of cost-effective LiDAR solutions. Nevertheless, the task of semi-supervised learning in the context of unordered point cloud data remains formidable due to the inherent sparsity and incomplete shapes that hinder the generation of accurate pseudo-labels. In this study, we consider these challenges by posing the question: "To what extent does unlabelled data contribute to the enhancement of model performance?" We show that improvements from previous semi-supervised methods may not be as profound as previously thought. Our results suggest that simple grid search hyperparameter tuning applied to a supervised model can lead to state-of-the-art performance on the ONCE dataset, while the contribution of unlabelled data appears to be comparatively less exceptional.
• Abstract（参考訳）: 自動運転やロボティクス、拡張現実といったアプリケーションにおける3dオブジェクト検出の需要が高まっている中、本研究はポイントクラウドデータの半教師あり学習手法の評価に焦点を当てている。 点雲表現は、LiDARセンサーの進歩により、照明条件に関わらず、信頼性が高く一貫した観察を提供する。 データアノテーションは、LiDARアプリケーションのコンテキストにおいて最重要であり、半教師付きメソッドによる3Dデータアノテーションの自動化は、関連するワークロードを削減し、コスト効率の良いLiDARソリューションの出現を促進する重要な課題である。 それでも、秩序のない点雲データの文脈における半教師あり学習の課題は、正確な擬似ラベルの生成を妨げる固有の空間性や不完全な形状のために、いまだに厳しいままである。 本研究では,これらの課題について,「ラベルなしのデータがモデル性能の向上にどの程度寄与するか」という疑問を呈することで考察する。 従来の半教師付き手法による改善は,従来考えられていたほど深くない可能性がある。 以上の結果から,教師付きモデルに適用した単純なグリッド探索ハイパーパラメータチューニングがONCEデータセットの最先端性能に繋がる可能性が示唆された。

関連論文リスト

• Annotation-Free Curb Detection Leveraging Altitude Difference Image [9.799565515089617]
  自動運転車の安全性を確保するためには、道路封鎖が不可欠である。 縁石検出の現在の方法は、カメラ画像やLiDAR点雲に依存している。 本研究は,ADI(Altitude Difference Image)を利用したアノテーションのないストレッチ検出手法を提案する。
  論文  参考訳（メタデータ） (2024-09-30T10:29:41Z)
• 4D Contrastive Superflows are Dense 3D Representation Learners [62.433137130087445]
  我々は,LiDARとカメラのペアを連続的に利用して事前学習の目的を確立するための,新しいフレームワークであるSuperFlowを紹介する。 学習効率をさらに向上するため,カメラビューから抽出した知識の整合性を高めるプラグイン・アンド・プレイ・ビュー・一貫性モジュールを組み込んだ。
  論文  参考訳（メタデータ） (2024-07-08T17:59:54Z)
• Label-Efficient 3D Object Detection For Road-Side Units [10.663986706501188]
  協調的知覚は、インテリジェント・ロードサイド・ユニット(RSU)との深部情報融合による自動運転車の知覚を高める これらの手法は、特に注釈付きRSUデータを必要とするため、実際のデプロイメントにおいて大きなハードルを生んでいる。 教師なしオブジェクト発見に基づくRSUのためのラベル効率の高いオブジェクト検出手法を考案する。
  論文  参考訳（メタデータ） (2024-04-09T12:29:16Z)
• Attention-Guided Lidar Segmentation and Odometry Using Image-to-Point Cloud Saliency Transfer [6.058427379240697]
  SalLiDARは3次元セマンティックセマンティックセマンティクスモデルであり、セマンティクス性能を向上させるために、サリエンシ情報を統合する。 SalLONetは、SalLiDARのセマンティックおよびサリエンシ予測を用いて、より優れたオドメトリー推定を実現する、自己監督型サリエンシ誘導型LiDARオドメトリーネットワークである。
  論文  参考訳（メタデータ） (2023-08-28T06:22:10Z)
• An Efficient Semi-Automated Scheme for Infrastructure LiDAR Annotation [15.523875367380196]
  トラッキングアルゴリズムを用いてLiDARシーケンスを自動的にアノテートする,効率的な半自動アノテーションツールを提案する。 本ツールでは,マルチオブジェクト追跡(MOT),シングルオブジェクト追跡(SOT),適切なトラック後処理手法をシームレスに統合する。
  論文  参考訳（メタデータ） (2023-01-25T17:42:15Z)
• 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)
• Guided Point Contrastive Learning for Semi-supervised Point Cloud Semantic Segmentation [90.2445084743881]
  そこで本研究では,モデル性能を向上させるために,未ラベルの点群をトレーニングに採用するための半教師付き点群セマンティックセマンティックセマンティックセマンティクスを提案する。 近年の自己監督型タスクのコントラスト損失に触発されて,特徴表現とモデル一般化能力を高めるためのガイド付きポイントコントラスト損失を提案する。
  論文  参考訳（メタデータ） (2021-10-15T16:38:54Z)
• SelfVoxeLO: Self-supervised LiDAR Odometry with Voxel-based Deep Neural Networks [81.64530401885476]
  本稿では,これら2つの課題に対処するために,自己教師型LiDARオドメトリー法(SelfVoxeLO)を提案する。 具体的には、生のLiDARデータを直接処理する3D畳み込みネットワークを提案し、3D幾何パターンをよりよく符号化する特徴を抽出する。 我々は,KITTIとApollo-SouthBayという2つの大規模データセット上での手法の性能を評価する。
  論文  参考訳（メタデータ） (2020-10-19T09:23:39Z)
• Provably Efficient Causal Reinforcement Learning with Confounded Observational Data [135.64775986546505]
  オフラインで収集されたデータセット(観測データ)を組み込んで、オンライン環境でのサンプル効率を改善する方法について検討する。 提案手法は,観測データを効率よく組み込んだ,分解された楽観的値反復 (DOVI) アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-06-22T14:49:33Z)

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。