論文の概要: Exploring Semi-Supervised Learning for Online Mapping
- arxiv url: http://arxiv.org/abs/2410.10279v1
- Date: Mon, 14 Oct 2024 08:31:08 GMT
- ステータス: 処理完了
- システム内更新日: 2024-10-29 22:34:36.429589
- Title: Exploring Semi-Supervised Learning for Online Mapping
- Title（参考訳）: オンラインマッピングのための半教師付き学習の探索
- Authors: Adam Lilja, Erik Wallin, Junsheng Fu, Lars Hammarstrand,
- Abstract要約: 本稿では,他の領域における半教師あり学習技術からインスピレーションを得て,オンラインマッピングへの適用性を実証する。
複数のサンプルから教師の擬似ラベルを抽出し,オンラインマッピングの特質を生かした簡易かつ効果的な手法を提案する。
全てのラベルを使用するパフォーマンスギャップはArgoverseでは29.6mIoUから3.4mIoUに、NuScenesでは12mIoUから3.4mIoUに削減され、ラベル付きデータの10%しか利用できない。
- 参考スコア（独自算出の注目度）: 1.199778591945574
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Online mapping is important for scaling autonomous driving beyond well-defined areas. Training a model to produce a local map, including lane markers, road edges, and pedestrian crossings using only onboard sensory information, traditionally requires extensive labelled data, which is difficult and costly to obtain. This paper draws inspiration from semi-supervised learning techniques in other domains, demonstrating their applicability to online mapping. Additionally, we propose a simple yet effective method to exploit inherent attributes of online mapping to further enhance performance by fusing the teacher's pseudo-labels from multiple samples. The performance gap to using all labels is reduced from 29.6 to 3.4 mIoU on Argoverse, and from 12 to 3.4 mIoU on NuScenes utilising only 10% of the labelled data. We also demonstrate strong performance in extrapolating to new cities outside those in the training data. Specifically, for challenging nuScenes, adapting from Boston to Singapore, performance increases by 6.6 mIoU when unlabelled data from Singapore is included in training.
- Abstract（参考訳）: オンラインマッピングは、明確に定義された領域を越えて自動運転をスケールするために重要である。
レーンマーカー、道路端、歩行者横断といった局所地図を作成するためのモデルをトレーニングするには、車載感覚情報のみを使用して、伝統的に広範囲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。
本稿では,他の領域における半教師あり学習技術からインスピレーションを得て,オンラインマッピングへの適用性を実証する。
さらに,教師の擬似ラベルを複数のサンプルから抽出することにより,オンラインマッピングの特質を生かし,さらなる性能向上を図るための簡易かつ効果的な手法を提案する。
全てのラベルを使用するパフォーマンスギャップはArgoverseでは29.6mIoUから3.4mIoUに、NuScenesでは12mIoUから3.4mIoUに削減され、ラベル付きデータの10%しか利用できない。
また、トレーニングデータ以外の都市への外挿にも強いパフォーマンスを示す。
具体的には、ボストンからシンガポールへの適応において、シンガポールからの不正なデータがトレーニングに含まれると、パフォーマンスが6.6 mIoU向上する。
関連論文リスト
- Generalized Label-Efficient 3D Scene Parsing via Hierarchical Feature
Aligned Pre-Training and Region-Aware Fine-tuning [55.517000360348725]
本研究は,ラベル付きシーンが極めて限定された場合の3次元シーン理解のためのフレームワークを提案する。
事前学習された視覚言語モデルから新しいカテゴリーの知識を抽出するために,階層的特徴整合型事前学習と知識蒸留戦略を提案する。
室内と屋外の両方で実験を行ったところ、データ効率のよい学習とオープンワールドの複数ショット学習の両方において、我々のアプローチの有効性が示された。
論文 参考訳（メタデータ） (2023-12-01T15:47:04Z) - Terrain-Informed Self-Supervised Learning: Enhancing Building Footprint Extraction from LiDAR Data with Limited Annotations [1.3243401820948064]
フットプリントマップの構築は、広範な後処理なしで正確なフットプリント抽出を約束する。
ディープラーニング手法は、一般化とラベルの効率の面で課題に直面している。
リモートセンシングに適した地形認識型自己教師型学習を提案する。
論文 参考訳（メタデータ） (2023-11-02T12:34:23Z) - Hierarchical Point-based Active Learning for Semi-supervised Point Cloud
Semantic Segmentation [48.40853126077237]
大規模ポイントクラウドデータをポイントワイドラベルで取得することは、労働集約的だ。
アクティブラーニングは、この目的を達成するための効果的な戦略の1つだが、まだ探索されていない。
本稿では,階層的なポイントベースアクティブラーニング戦略を開発する。
論文 参考訳（メタデータ） (2023-08-22T03:52:05Z) - Navya3DSeg -- Navya 3D Semantic Segmentation Dataset & split generation
for autonomous vehicles [63.20765930558542]
3Dセマンティックデータは、障害物検出やエゴ-車両の局所化といった中核的な認識タスクに有用である。
そこで我々は,大規模生産段階の運用領域に対応する多様なラベル空間を持つ新しいデータセットであるNavala 3D(Navya3DSeg)を提案する。
ラベルのない23のラベル付きシーケンスと25の補足シーケンスが含まれており、ポイントクラウド上の自己教師付きおよび半教師付きセマンティックセマンティックセグメンテーションベンチマークを探索するために設計された。
論文 参考訳（メタデータ） (2023-02-16T13:41:19Z) - PreTraM: Self-Supervised Pre-training via Connecting Trajectory and Map [58.53373202647576]
軌道予測のための自己教師付き事前学習方式であるPreTraMを提案する。
1) トラジェクティブ・マップ・コントラクティブ・ラーニング(トラジェクティブ・コントラクティブ・ラーニング)、(2) トラジェクティブ・ラーニング(トラジェクティブ・コントラクティブ・ラーニング)、(2) トラジェクティブ・ラーニング(トラジェクティブ・ラーニング)、(2) トラジェクティブ・コントラクティブ・ラーニング(トラジェクティブ・ラーニング)、(2) トラジェクティブ・コントラクティブ・ラーニング(トラジェクティブ・ラーニング)の2つのパートから構成される。
AgentFormerやTrajectron++といった一般的なベースラインに加えて、PreTraMは、挑戦的なnuScenesデータセット上で、FDE-10でパフォーマンスを5.5%と6.9%向上させる。
論文 参考訳（メタデータ） (2022-04-21T23:01:21Z) - ReDAL: Region-based and Diversity-aware Active Learning for Point Cloud
Semantic Segmentation [28.478555264574865]
ReDALは、ラベル取得のために、情報的かつ多様なサブシーン領域のみを自動的に選択することを目的としている。
冗長アノテーションを避けるため,多様性を考慮した選択アルゴリズムも開発されている。
実験の結果,本手法は従来のアクティブラーニング手法よりも優れていることがわかった。
論文 参考訳（メタデータ） (2021-07-25T09:40:48Z) - Semantic Labeling of Large-Area Geographic Regions Using Multi-View and
Multi-Date Satellite Images and Noisy OSM Training Labels [0.0]
建物や道路を意味的にラベル付けする新しい多視点学習フレームワークとCNNアーキテクチャを提案する。
多視点セマンティックセグメンテーションへのアプローチは,従来の手法に比べてクラスごとのIoUスコアが4-7%向上した。
論文 参考訳（メタデータ） (2020-08-24T09:03:31Z) - Hidden Footprints: Learning Contextual Walkability from 3D Human Trails [70.01257397390361]
現在のデータセットは、人々がどこにいるか、どこにいるかを教えてくれません。
まず、画像間で人の観察を伝播させ、3D情報を利用して、私たちが「隠れ足跡」と呼ぶものを作成することで、有効なラベル付き歩行可能領域の集合を拡大する。
このようなスパースラベルのために設計されたトレーニング戦略を考案し、クラスバランスの分類損失と文脈逆転損失を組み合わせた。
論文 参考訳（メタデータ） (2020-08-19T23:19:08Z) - Towards Reading Beyond Faces for Sparsity-Aware 4D Affect Recognition [55.15661254072032]
自動4次元表情認識(FER)のための空間認識深層ネットワークを提案する。
まず,深層学習のためのデータ制限問題に対処する新しい拡張手法を提案する。
次に、多視点での畳み込み特徴のスパース表現を計算するために、疎度対応のディープネットワークを提案する。
論文 参考訳（メタデータ） (2020-02-08T13:09:11Z)
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。