論文の概要: Label-Efficient Semantic Segmentation of LiDAR Point Clouds in Adverse Weather Conditions
- arxiv url: http://arxiv.org/abs/2406.09906v1
- Date: Fri, 14 Jun 2024 10:29:00 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-17 14:14:45.447589
- Title: Label-Efficient Semantic Segmentation of LiDAR Point Clouds in Adverse Weather Conditions
- Title（参考訳）: 逆気象条件下でのLiDAR点雲のラベル効率の良いセマンティックセマンティックセグメンテーション
- Authors: Aldi Piroli, Vinzenz Dallabetta, Johannes Kopp, Marc Walessa, Daniel Meissner, Klaus Dietmayer,
- Abstract要約: 逆気象条件はLiDARセンサーの性能に深刻な影響を及ぼす可能性がある。
悪天候を検出するための現在のアプローチは、大量のラベル付きデータを必要とする。
本稿では,悪天候下でのLiDAR点雲のセグメンテーションに対するラベル効率のよいアプローチを提案する。
- 参考スコア（独自算出の注目度）: 10.306226508237348
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Adverse weather conditions can severely affect the performance of LiDAR sensors by introducing unwanted noise in the measurements. Therefore, differentiating between noise and valid points is crucial for the reliable use of these sensors. Current approaches for detecting adverse weather points require large amounts of labeled data, which can be difficult and expensive to obtain. This paper proposes a label-efficient approach to segment LiDAR point clouds in adverse weather. We develop a framework that uses few-shot semantic segmentation to learn to segment adverse weather points from only a few labeled examples. Then, we use a semi-supervised learning approach to generate pseudo-labels for unlabelled point clouds, significantly increasing the amount of training data without requiring any additional labeling. We also integrate good weather data in our training pipeline, allowing for high performance in both good and adverse weather conditions. Results on real and synthetic datasets show that our method performs well in detecting snow, fog, and spray. Furthermore, we achieve competitive performance against fully supervised methods while using only a fraction of labeled data.
- Abstract（参考訳）: 逆気象条件は、測定に望ましくないノイズを導入することにより、LiDARセンサの性能に深刻な影響を与える可能性がある。
したがって、これらのセンサの信頼性を高めるためには、ノイズと有効点の区別が不可欠である。
悪天候を検出するための現在のアプローチは、大量のラベル付きデータを必要とするため、入手が困難でコストがかかる可能性がある。
本稿では,悪天候下でのLiDAR点雲のセグメンテーションに対するラベル効率のよいアプローチを提案する。
我々は,少数のラベル付き例から悪天候点を抽出する学習のために,少数ショットセマンティックセマンティックセマンティクスを用いたフレームワークを開発した。
そして、半教師付き学習手法を用いて、未ラベルの点群に対する擬似ラベルを生成し、追加のラベル付けを必要とせずにトレーニングデータの量を大幅に増加させる。
トレーニングパイプラインに良質な気象データを統合することで、良質な気象条件と悪質な気象条件の両方で高いパフォーマンスを実現しています。
実データと合成データから, 積雪, 霧, 噴霧の検出に有効であることが示された。
さらに,ラベル付きデータのみを使用しながら,完全教師付き手法に対する競合性能を実現する。
関連論文リスト
- SemiDDM-Weather: A Semi-supervised Learning Framework for All-in-one Adverse Weather Removal [57.52777076116241]
逆天候除去は、悪天候下で透明な視界を回復することを目的としている。
本稿では教師ネットワーク上に構築された半教師付きオールインワン悪天候除去フレームワークを提案する。
論文 参考訳（メタデータ） (2024-09-29T12:12:22Z) - Rethinking Data Augmentation for Robust LiDAR Semantic Segmentation in Adverse Weather [21.040167521248772]
既存のLiDARセマンティックセグメンテーション手法は、悪天候下での性能低下に苦慮することが多い。
これまでの研究は、悪天候をシミュレートしたり、トレーニング中に普遍的なデータ拡張を採用することでこの問題に対処してきた。
本稿では,性能劣化の主な原因を特定するために,新たな戦略データ拡張手法を提案する。
提案手法はセマンティックKITTI-to-SemanticSTFベンチマークで39.5 mIoUを達成し,ベースラインを8.1%改善し,新たな最先端技術を確立した。
論文 参考訳（メタデータ） (2024-07-02T14:19:51Z) - Enhancing Lidar-based Object Detection in Adverse Weather using Offset
Sequences in Time [1.1725016312484975]
ライダーによる物体検出は、雨や霧などの悪天候の影響を著しく受けている。
本研究は,ライダーによる物体検出の信頼性に対する悪天候の影響を緩和する有効な方法の総合的研究である。
論文 参考訳（メタデータ） (2024-01-17T08:31:58Z) - WeatherProof: A Paired-Dataset Approach to Semantic Segmentation in
Adverse Weather [9.619700283574533]
本稿では,悪天候条件下での画像の性能向上につながる一般的なペア学習手法を提案する。
我々は、正確な晴天と悪天候画像のペアで、最初のセマンティックセグメンテーションデータセットを作成する。
その結果,これら2組の晴天フレームと悪天候フレームのトレーニングにより,悪天候データの性能が向上することが判明した。
論文 参考訳（メタデータ） (2023-12-15T04:57:54Z) - Learning Real-World Image De-Weathering with Imperfect Supervision [57.748585821252824]
既存の現実世界のデヒータリングデータセットは、接地トラス画像と入力された劣化画像の間に、一貫性のない照明、位置、テクスチャを示すことが多い。
我々は、入力劣化画像と可能な限り一貫性のある擬似ラベルを生成するための一貫性ラベルコンストラクタ(CLC)を開発した。
我々は,従来の不完全ラベルと擬似ラベルを組み合わせることで,情報割当戦略による脱ウェザリングモデルを共同で監督する。
論文 参考訳（メタデータ） (2023-10-23T14:02:57Z) - Soft Curriculum for Learning Conditional GANs with Noisy-Labeled and
Uncurated Unlabeled Data [70.25049762295193]
本稿では,トレーニング中にノイズラベル付きおよび未処理データを受け入れる条件付き画像生成フレームワークを提案する。
本稿では,ラベルのないデータに新たなラベルを割り当てながら,逆行訓練にインスタンスワイドを割り当てるソフトカリキュラム学習を提案する。
実験により,本手法は,定量および定性性能の両面において,既存の半教師付き・ラベル付きロバストな手法より優れていることが示された。
論文 参考訳（メタデータ） (2023-07-17T08:31:59Z) - Energy-based Detection of Adverse Weather Effects in LiDAR Data [7.924836086640871]
本稿では,LiDARデータにおける悪天候の影響を検知するための新しい手法を提案する。
提案手法では,低エネルギースコアを不整点,高エネルギースコアを不整点に関連付ける。
悪天候下でのLiDAR知覚の研究領域の拡大を支援するため、SemanticSprayデータセットをリリースする。
論文 参考訳（メタデータ） (2023-05-25T15:03:36Z) - 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) - 4DenoiseNet: Adverse Weather Denoising from Adjacent Point Clouds [1.8563342761346613]
このレターは、深層学習アルゴリズム(4DenoiseNet)の新たな点雲悪天候を提示する。
本アルゴリズムは,本研究における深層学習の悪天候評価手法と異なり,時間次元を生かした手法である。
結果が得られたのはSnowy KITTIのデータセットで、悪天候アノテートポイント雲は4000万以上ある。
論文 参考訳（メタデータ） (2022-09-15T08:05:42Z) - SparseDet: Improving Sparsely Annotated Object Detection with
Pseudo-positive Mining [76.95808270536318]
Pseudo- positive mining を用いてラベル付き地域とラベルなし地域を分離するエンド・ツー・エンドシステムを提案する。
ラベル付き領域は通常通り処理されるが、ラベルなし領域の処理には自己教師付き学習が使用される。
我々は,PASCAL-VOCとCOCOデータセットの5つの分割に対して,最先端の性能を達成するための徹底的な実験を行った。
論文 参考訳（メタデータ） (2022-01-12T18:57:04Z) - Lidar Light Scattering Augmentation (LISA): Physics-based Simulation of
Adverse Weather Conditions for 3D Object Detection [60.89616629421904]
ライダーベースの物体検出器は、自動運転車のような自律ナビゲーションシステムにおいて、3D知覚パイプラインの重要な部分である。
降雨、雪、霧などの悪天候に敏感で、信号-雑音比(SNR)と信号-背景比(SBR)が低下している。
論文 参考訳（メタデータ） (2021-07-14T21:10:47Z)
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。