論文の概要: Exploring Scene Affinity for Semi-Supervised LiDAR Semantic Segmentation

• arxiv url: http://arxiv.org/abs/2408.11280v2
• Date: Sat, 16 Nov 2024 13:39:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-19 14:29:10.372954
• Title: Exploring Scene Affinity for Semi-Supervised LiDAR Semantic Segmentation
• Title（参考訳）: セミスーパービジョンLiDARセマンティックセマンティックセグメンテーションにおけるシーン親和性の検討
• Authors: Chuandong Liu, Xingxing Weng, Shuguo Jiang, Pengcheng Li, Lei Yu, Gui-Song Xia,
• Abstract要約: 本稿では,運転シーンにおける半教師付きLiDARセマンティックセマンティックセグメンテーションのためのシーン親和性,すなわちシーン内一貫性とシーン間相関について検討する。 AISceneは教師学生のトレーニングを採用し、教師ネットワークを用いて、ラベルなしデータから擬似ラベル付きシーンを生成する。 バックプロパゲーションのための擬似ラベル付シーンのすべてのポイントを含むほとんどの方法とは異なり、AISceneは擬似ラベルなしのポイントを除去する。
• 参考スコア（独自算出の注目度）: 28.480775624544478
• License:
• Abstract: This paper explores scene affinity (AIScene), namely intra-scene consistency and inter-scene correlation, for semi-supervised LiDAR semantic segmentation in driving scenes. Adopting teacher-student training, AIScene employs a teacher network to generate pseudo-labeled scenes from unlabeled data, which then supervise the student network's learning. Unlike most methods that include all points in pseudo-labeled scenes for forward propagation but only pseudo-labeled points for backpropagation, AIScene removes points without pseudo-labels, ensuring consistency in both forward and backward propagation within the scene. This simple point erasure strategy effectively prevents unsupervised, semantically ambiguous points (excluded in backpropagation) from affecting the learning of pseudo-labeled points. Moreover, AIScene incorporates patch-based data augmentation, mixing multiple scenes at both scene and instance levels. Compared to existing augmentation techniques that typically perform scene-level mixing between two scenes, our method enhances the semantic diversity of labeled (or pseudo-labeled) scenes, thereby improving the semi-supervised performance of segmentation models. Experiments show that AIScene outperforms previous methods on two popular benchmarks across four settings, achieving notable improvements of 1.9% and 5.3% in the most challenging 1\% labeled data.
• Abstract（参考訳）: 本稿では、運転シーンにおける半教師付きLiDARセマンティックセグメンテーションのためのシーン親和性(AIScene)、すなわちシーン間の一貫性とシーン間相関について検討する。 AISceneは教師教育を採用し、教師ネットワークを用いて、未ラベルのデータから擬似ラベル付きシーンを生成し、学生ネットワークの学習を監督する。 バックプロパゲーションのための擬似ラベル付きシーンのすべてのポイントを含むほとんどの方法とは異なり、AISceneは擬似ラベルなしでポイントを削除し、シーン内の前方と後方の両方で一貫性を確保する。 この単純な点消去戦略は、教師なし、意味的に曖昧な点(バックプロパゲーションでは除く)が擬似ラベル付き点の学習に影響を与えるのを効果的に防ぐ。 さらに、AISceneにはパッチベースのデータ拡張が含まれており、シーンとインスタンスのレベルで複数のシーンが混在している。 通常2つのシーン間のシーンレベルの混合を行う既存の拡張手法と比較して、ラベル付き(または擬似ラベル付き)シーンのセマンティックな多様性を高め、セグメンテーションモデルの半教師付き性能を向上させる。 実験によると、AISceneは4つの設定で2つの人気のあるベンチマークで過去の手法よりも優れており、最も難しい1\%のデータにおいて1.9%と5.3%の顕著な改善が達成されている。

関連論文リスト

• Scribble Hides Class: Promoting Scribble-Based Weakly-Supervised Semantic Segmentation with Its Class Label [16.745019028033518]
  画像レベルのクラスから情報を得たスクリブルアノテーションと擬似ラベルと、監督のためのグローバルセマンティクスの両方を利用するクラス駆動型スクリブルプロモーションネットワークを提案する。 スクリブルアノテーションの異なる性質を持つScribbleSupデータセットの実験は、従来の手法よりも優れており、本手法の優位性と堅牢性を示している。
  論文  参考訳（メタデータ） (2024-02-27T14:51:56Z)
• Densify Your Labels: Unsupervised Clustering with Bipartite Matching for Weakly Supervised Point Cloud Segmentation [42.144991202299934]
  本稿では,単に「全シーン」アノテーションから「ポイント毎」ラベルを予測する,ポイントクラウドに対する弱教師付き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手法を提案する。 私たちの中核となる考え方は、擬似ラベルを保守的な方法で作成することで、シーンレベルのラベルをポイントクラウドの各ポイントに伝播させることです。 我々は,ScanNet と S3DIS のデータセット上での手法の評価を行い,その有効性を実証し,完全な教師付き手法に匹敵する結果が得られることを示した。
  論文  参考訳（メタデータ） (2023-12-11T19:18:17Z)
• SmooSeg: Smoothness Prior for Unsupervised Semantic Segmentation [27.367986520072147]
  教師なしセマンティックセグメンテーションは、手動のアノテーションなしでイメージをセマンティックグループに分割する難しいタスクである。 本研究では,SmooSegという手法を提案する。SmooSegは,観察中の近接性関係をスムーズな信号としてモデル化する自己教師付き学習手法である。 SmooSegは3つのデータセットのピクセル精度でSTEGOを著しく上回っている。
  論文  参考訳（メタデータ） (2023-10-27T03:29:25Z)
• Weakly Supervised 3D Instance Segmentation without Instance-level Annotations [57.615325809883636]
  3Dセマンティックシーン理解タスクは、ディープラーニングの出現によって大きな成功を収めた。 本稿では,分類的セマンティックラベルのみを監督対象とする,弱制御型3Dインスタンスセマンティクス手法を提案する。 分類的セマンティックラベルから擬似インスタンスラベルを生成することで,アノテーションコストの低減で既存の3Dインスタンスセグメンテーションの学習を支援することができる。
  論文  参考訳（メタデータ） (2023-08-03T12:30:52Z)
• STRAP: Structured Object Affordance Segmentation with Point Supervision [20.56373848741831]
  本研究では,探索されていない二重親和性-空間親和性とラベル親和性を相乗的に受け継いだ,点監督による割当セグメンテーションについて検討する。 新しいドメインのラベルを効果的にデジタイズすることで、ラベル関係を強化する高密度な予測ネットワークを考案する。 実験では,本手法をCAD120データセット上でベンチマークし,従来の手法に比べて大きな性能向上を示した。
  論文  参考訳（メタデータ） (2023-04-17T17:59:49Z)
• 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)
• Learning Semantic Correspondence with Sparse Annotations [66.37298464505261]
  密接な意味的対応を見つけることは、コンピュータビジョンの基本的な問題である。 本研究では,高密度な擬似ラベルを生成するための教師学習パラダイムを提案する。 また、擬似ラベルを識別するための2つの新しい戦略も開発している。
  論文  参考訳（メタデータ） (2022-08-15T02:24:18Z)
• Box2Seg: Learning Semantics of 3D Point Clouds with Box-Level Supervision [65.19589997822155]
  我々は3Dポイントクラウドのポイントレベルのセマンティクスをバウンディングボックスレベルの監視で学習するために,Box2Segと呼ばれるニューラルアーキテクチャを導入する。 提案するネットワークは,安価な,あるいは既定のバウンディングボックスレベルのアノテーションやサブクラウドレベルのタグでトレーニング可能であることを示す。
  論文  参考訳（メタデータ） (2022-01-09T09:07:48Z)
• Dense Supervision Propagation for Weakly Supervised Semantic Segmentation on 3D Point Clouds [59.63231842439687]
  意味点クラウドセグメンテーションネットワークをトレーニングする。 同様の特徴を伝達し、2つのサンプルにまたがる勾配を再現するクロスサンプル機能再配置モジュールを提案する。 ラベルの10%と1%しか持たない弱教師付き手法では、完全教師付き手法と互換性のある結果が得られる。
  論文  参考訳（メタデータ） (2021-07-23T14:34:57Z)
• SegGroup: Seg-Level Supervision for 3D Instance and Semantic Segmentation [88.22349093672975]
  アノテーションの場所を示すためにインスタンス毎に1つのポイントをクリックするだけでよい、弱い教師付きポイントクラウドセグメンテーションアルゴリズムを設計します。 事前処理のオーバーセグメンテーションにより、これらの位置アノテーションをセグレベルのラベルとしてセグメントに拡張する。 seg-level supervised method (SegGroup) は、完全注釈付きポイントレベルのsupervised method で比較結果が得られることを示した。
  論文  参考訳（メタデータ） (2020-12-18T13:23:34Z)
• PCAMs: Weakly Supervised Semantic Segmentation Using Point Supervision [12.284208932393073]
  本稿では,ある点レベルのアノテーションが与えられた画像から意味的セグメンテーションを生成する新しい手法を提案する。 提案するCNNは,通常,地上の真理ラベルの代わりに擬似ラベルを用いて完全に教師される。 提案手法は,PASCAL VOC 2012 データセットを引用した PASCAL VOC 2012 のセマンティックセマンティックセマンティフィケーションのための技術結果の状態を達成し,より強いバウンディングボックスやリスグル管理のための技術手法よりも優れていた。
  論文  参考訳（メタデータ） (2020-07-10T21:25:27Z)

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。