論文の概要: UNIT: Unsupervised Online Instance Segmentation through Time

• arxiv url: http://arxiv.org/abs/2409.07887v1
• Date: Thu, 12 Sep 2024 09:47:45 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-13 17:08:15.547627
• Title: UNIT: Unsupervised Online Instance Segmentation through Time
• Title（参考訳）: UNIT: 時間による教師なしオンラインインスタンスのセグメンテーション
• Authors: Corentin Sautier, Gilles Puy, Alexandre Boulch, Renaud Marlet, Vincent Lepetit,
• Abstract要約: クラスに依存しないオンラインインスタンスのセグメンテーションとトラッキングの問題に対処する。 オブジェクトのオンライントラッキングを可能にする新しいトレーニングレシピを提案する。 我々のネットワークは擬似ラベルで訓練されており、手動のアノテーションは不要である。
• 参考スコア（独自算出の注目度）: 69.2787246878521
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Online object segmentation and tracking in Lidar point clouds enables autonomous agents to understand their surroundings and make safe decisions. Unfortunately, manual annotations for these tasks are prohibitively costly. We tackle this problem with the task of class-agnostic unsupervised online instance segmentation and tracking. To that end, we leverage an instance segmentation backbone and propose a new training recipe that enables the online tracking of objects. Our network is trained on pseudo-labels, eliminating the need for manual annotations. We conduct an evaluation using metrics adapted for temporal instance segmentation. Computing these metrics requires temporally-consistent instance labels. When unavailable, we construct these labels using the available 3D bounding boxes and semantic labels in the dataset. We compare our method against strong baselines and demonstrate its superiority across two different outdoor Lidar datasets.
• Abstract（参考訳）: オンラインのオブジェクトセグメンテーションとLidarポイントクラウドのトラッキングにより、自律的なエージェントが彼らの環境を理解し、安全な判断をすることができる。 残念ながら、これらのタスクのマニュアルアノテーションは違法にコストがかかる。 クラスに依存しないオンラインインスタンスのセグメンテーションとトラッキングのタスクでこの問題に対処する。 そのために、インスタンスセグメンテーションのバックボーンを活用し、オブジェクトのオンライントラッキングを可能にする新しいトレーニングレシピを提案する。 我々のネットワークは擬似ラベルで訓練されており、手動のアノテーションは不要である。 時間的インスタンスセグメンテーションに適応したメトリクスを用いて評価を行う。 これらのメトリクスの計算には、時間的に一貫性のあるインスタンスラベルが必要である。 利用できない場合には、データセット内の利用可能な3Dバウンディングボックスとセマンティックラベルを使用して、これらのラベルを構築します。 提案手法を強塩基性と比較し,その優位性を2つの異なる屋外Lidarデータセットで示す。

関連論文リスト

• From Categories to Classifiers: Name-Only Continual Learning by Exploring the Web [118.67589717634281]
  継続的な学習はしばしば、非現実的に時間がかかり、実際にコストがかかるという仮定である、広範な注釈付きデータセットの可用性に依存します。 時間とコストの制約により手動のアノテーションが禁止される、名前のみの連続学習と呼ばれる新しいパラダイムを探求する。 提案手法は,広範かつ進化を続けるインターネットを活用して,未処理のウェブ教師付きデータを検索・ダウンロードして画像分類を行う。
  論文  参考訳（メタデータ） (2023-11-19T10:43:43Z)
• 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)
• From CAD models to soft point cloud labels: An automatic annotation pipeline for cheaply supervised 3D semantic segmentation [0.0]
  そこで本研究では,CADモデルを用いた生の3次元点雲を入力として取り出して,説得力のある点ラベルを出力する,完全自動アノテーション手法を提案する。 手動のアノテーションと比較すると、自動ラベルは正確であり、アノテーションの時間を大幅に短縮する。 本研究では,実産業用点雲のデータセットと屋内シーンの公開データセットであるScan2CADを用いて,PointNet++のラベル品質とセグメンテーション性能を評価する。
  論文  参考訳（メタデータ） (2023-02-06T20:33:16Z)
• 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)
• Active Self-Training for Weakly Supervised 3D Scene Semantic Segmentation [17.27850877649498]
  本稿では,自己学習と能動的学習を組み合わせた3次元シーンの弱教師付きセグメンテーション手法を提案する。 提案手法は,従来の作業やベースラインよりもシーンセグメンテーションを改善する効果的な手法であることを示す。
  論文  参考訳（メタデータ） (2022-09-15T06:00:25Z)
• 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)
• Points2Polygons: Context-Based Segmentation from Weak Labels Using Adversarial Networks [0.0]
  画像セグメンテーションタスクでは、多数の正確なラベルをトレーニング用に提供できる能力は、推論時のモデルの精度に最優先される。 このオーバヘッドは無視されることが多く、最近提案されたセグメンテーションアーキテクチャは、最先端のアキュラシーを達成するために、基底真理ラベルの可用性と忠実さに大きく依存している。 本稿では,P2P(Points2Polygons,P2P)を紹介する。
  論文  参考訳（メタデータ） (2021-06-05T05:17:45Z)
• Dual-Refinement: Joint Label and Feature Refinement for Unsupervised Domain Adaptive Person Re-Identification [51.98150752331922]
  Unsupervised Domain Adaptive (UDA) Person Re-identification (再ID) は、ターゲットドメインデータのラベルが欠落しているため、難しい作業です。 オフラインクラスタリングフェーズにおける擬似ラベルとオンライントレーニングフェーズにおける特徴を共同で改良する,デュアルリファインメントと呼ばれる新しいアプローチを提案する。 本手法は最先端手法を大きなマージンで上回っている。
  論文  参考訳（メタデータ） (2020-12-26T07:35:35Z)
• GPU-based Self-Organizing Maps for Post-Labeled Few-Shot Unsupervised Learning [2.922007656878633]
  少ないショット分類は、非常に限られたラベル付き例を使って分類器を訓練することを目的としている機械学習の課題である。 本稿では,無指導で表現を学習する分類タスクである,ラベル付き数発の教師なし学習の問題について,アノテートされたごく少数の例を用いて後述する。
  論文  参考訳（メタデータ） (2020-09-04T13:22:28Z)

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。