論文の概要: Learning from Spatio-temporal Correlation for Semi-Supervised LiDAR Semantic Segmentation

• arxiv url: http://arxiv.org/abs/2410.06893v1
• Date: Wed, 9 Oct 2024 13:57:39 GMT
• ステータス: 処理完了
• システム内更新日: 2024-10-31 23:47:07.708097
• Title: Learning from Spatio-temporal Correlation for Semi-Supervised LiDAR Semantic Segmentation
• Title（参考訳）: 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時空間相関からの学習
• Authors: Seungho Lee, Hwijeong Lee, Hyunjung Shim,
• Abstract要約: 低予算SSLSの2つの大きな問題は、ラベルなしデータに対する品質の悪い擬似ラベルと、パフォーマンスの低下である。 非ラベルデータに対して高精度な擬似ラベルを生成する近接型ラベル推定法を提案する。 実験の結果,低予算環境では顕著な性能を示した。
• 参考スコア（独自算出の注目度）: 17.151511119485246
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We address the challenges of the semi-supervised LiDAR segmentation (SSLS) problem, particularly in low-budget scenarios. The two main issues in low-budget SSLS are the poor-quality pseudo-labels for unlabeled data, and the performance drops due to the significant imbalance between ground-truth and pseudo-labels. This imbalance leads to a vicious training cycle. To overcome these challenges, we leverage the spatio-temporal prior by recognizing the substantial overlap between temporally adjacent LiDAR scans. We propose a proximity-based label estimation, which generates highly accurate pseudo-labels for unlabeled data by utilizing semantic consistency with adjacent labeled data. Additionally, we enhance this method by progressively expanding the pseudo-labels from the nearest unlabeled scans, which helps significantly reduce errors linked to dynamic classes. Additionally, we employ a dual-branch structure to mitigate performance degradation caused by data imbalance. Experimental results demonstrate remarkable performance in low-budget settings (i.e., <= 5%) and meaningful improvements in normal budget settings (i.e., 5 - 50%). Finally, our method has achieved new state-of-the-art results on SemanticKITTI and nuScenes in semi-supervised LiDAR segmentation. With only 5% labeled data, it offers competitive results against fully-supervised counterparts. Moreover, it surpasses the performance of the previous state-of-the-art at 100% labeled data (75.2%) using only 20% of labeled data (76.0%) on nuScenes. The code is available on https://github.com/halbielee/PLE.
• Abstract（参考訳）: 半教師付きLiDARセグメンテーション(SSLS)問題,特に低予算シナリオにおける課題に対処する。 低予算SSLSの2つの大きな問題は、未ラベルデータに対する品質の悪い擬似ラベルと、地平線と擬似ラベルの間の大きな不均衡による性能低下である。 この不均衡は、悪質なトレーニングサイクルにつながります。 これらの課題を克服するために、我々は、時間的に隣接したLiDARスキャン間のかなりの重複を認識することで、時空間前処理を利用する。 本稿では,隣接ラベルデータとのセマンティック一貫性を利用して,ラベルなしデータに対する高精度な擬似ラベルを生成する,近接ラベル推定手法を提案する。 さらに,最も近い未ラベルスキャンから擬似ラベルを段階的に拡張することにより,動的クラスに関連付けられたエラーを大幅に低減する。 さらに、データ不均衡による性能劣化を軽減するために、二重ブランチ構造を用いる。 実験結果から,低予算設定 (<= 5%) では顕著な性能を示し,通常の予算設定 (5～50%) では有意義な改善が見られた。 最後に, 半教師付きLiDARセグメンテーションにおけるSemanticKITTIとnuScenesに関する最新の結果を得た。 5%のラベル付きデータしか持たないため、完全に監督されたデータと競合する結果が得られる。 さらに、100%ラベル付きデータ (75.2%) で、nuScenesのラベル付きデータ (76.0%) の20%しか使用していない。 コードはhttps://github.com/halbielee/PLEで公開されている。

関連論文リスト

• Continuous Contrastive Learning for Long-Tailed Semi-Supervised Recognition [50.61991746981703]
  現在の最先端のLTSSLアプローチは、大規模な未ラベルデータに対して高品質な擬似ラベルに依存している。 本稿では,長期学習における様々な提案を統一する新しい確率的枠組みを提案する。 我々は、信頼度とスムーズな擬似ラベルを用いて、我々のフレームワークをラベルなしデータに拡張する、連続的コントラスト学習手法であるCCLを導入する。
  論文  参考訳（メタデータ） (2024-10-08T15:06:10Z)
• FlatMatch: Bridging Labeled Data and Unlabeled Data with Cross-Sharpness for Semi-Supervised Learning [73.13448439554497]
  Semi-Supervised Learning (SSL) は、ラベル付きデータが極めて少ない豊富なラベル付きデータを活用する効果的な方法である。 ほとんどのSSLメソッドは、通常、異なるデータ変換間のインスタンス単位の一貫性に基づいている。 本研究では,2つのデータセット間の一貫した学習性能を確保するために,クロスシャープネス尺度を最小化するFlatMatchを提案する。
  論文  参考訳（メタデータ） (2023-10-25T06:57:59Z)
• All Points Matter: Entropy-Regularized Distribution Alignment for Weakly-supervised 3D Segmentation [67.30502812804271]
  擬似ラベルは、弱い教師付き3Dセグメンテーションタスクに広く使われており、学習に使えるのはスパース・グラウンド・トラス・ラベルのみである。 本稿では,生成した擬似ラベルを正規化し,擬似ラベルとモデル予測とのギャップを効果的に狭めるための新しい学習戦略を提案する。
  論文  参考訳（メタデータ） (2023-05-25T08:19:31Z)
• Boosting Semi-Supervised Learning with Contrastive Complementary Labeling [11.851898765002334]
  一般的なアプローチは擬似ラベル作成であり、信頼度の高いラベル付きデータに対してのみ擬似ラベルを生成する。 信頼度が低い擬似ラベルを持つデータは、トレーニングプロセスにまだ有効である可能性があることを強調する。 そこで本研究では,多数の信頼な負対を構成する新しいコントラスト補完ラベリング法を提案する。
  論文  参考訳（メタデータ） (2022-12-13T15:25:49Z)
• Re-distributing Biased Pseudo Labels for Semi-supervised Semantic Segmentation: A Baseline Investigation [30.688753736660725]
  疑似ラベルを生成するために,DARS法とDARS法を提案する。 我々の手法は最先端の手法と比較して好適に機能する。
  論文  参考訳（メタデータ） (2021-07-23T14:45:14Z)
• Distribution-Aware Semantics-Oriented Pseudo-label for Imbalanced Semi-Supervised Learning [80.05441565830726]
  本稿では,疑似ラベルの重み付けがモデル性能に悪影響を及ぼすような,不均衡な半教師付き学習に対処する。 本稿では,この観測の動機となるバイアスに対処する,一般的な擬似ラベルフレームワークを提案する。 不均衡SSLのための新しい擬似ラベルフレームワークを、DASO(Distributed-Aware Semantics-Oriented Pseudo-label)と呼ぶ。
  論文  参考訳（メタデータ） (2021-06-10T11:58:25Z)
• Relieving the Plateau: Active Semi-Supervised Learning for a Better Landscape [2.3046646540823916]
  semi-supervised learning (ssl) はラベル付きデータよりもアクセスしやすいラベルなしデータを活用する。 active learning (al)は、ラベルなしのインスタンスを選択して、ラベル付きデータの少ないパフォーマンスを期待する。 本稿では,ラベル付き集合を含む問題条件を改善するためにラベル付きデータを選択するALアルゴリズムである収束率制御(CRC)を提案する。
  論文  参考訳（メタデータ） (2021-04-08T06:03:59Z)
• In Defense of Pseudo-Labeling: An Uncertainty-Aware Pseudo-label Selection Framework for Semi-Supervised Learning [53.1047775185362]
  Pseudo-labeling (PL) は一般的な SSL アプローチで、この制約はありませんが、当初の処方では比較的不十分です。 PLは不整合モデルからの誤った高い信頼度予測により性能が低下していると論じる。 そこで本研究では,疑似ラベリング精度を向上させるための不確実性認識型擬似ラベル選択(ups)フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-01-15T23:29:57Z)
• Distribution Aligning Refinery of Pseudo-label for Imbalanced Semi-supervised Learning [126.31716228319902]
  Pseudo-label (DARP) アルゴリズムの分散アライメント・リファナリーを開発する。 DARPは最先端のSSLスキームと有効かつ効率的に互換性があることを示す。
  論文  参考訳（メタデータ） (2020-07-17T09:16:05Z)

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。