論文の概要: Exploring Semi-Supervised Learning for Online Mapping

• arxiv url: http://arxiv.org/abs/2410.10279v2
• Date: Mon, 07 Apr 2025 08:52:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-17 11:57:18.317594
• 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: オンラインマッピングにおける半教師付き学習(SSL)手法の有効性を実証する。 複数のサンプルから教師の擬似ラベルを融合させることにより,オンラインマッピングの本質的特性を活用する,シンプルかつ効果的な手法を提案する。 Argoverse 2では、ピッツバーグに適応する際に、純粋にラップされていないターゲットドメインデータを組み込むことで、パフォーマンスのギャップを5mIoUから0.5mIoUに短縮する。
• 参考スコア（独自算出の注目度）: 1.199778591945574
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The ability to generate online maps using only onboard sensory information is crucial for enabling autonomous driving beyond well-mapped areas. Training models for this task -- predicting lane markers, road edges, and pedestrian crossings -- traditionally require extensive labelled data, which is expensive and labour-intensive to obtain. While semi-supervised learning (SSL) has shown promise in other domains, its potential for online mapping remains largely underexplored. In this work, we bridge this gap by demonstrating the effectiveness of SSL methods for online mapping. Furthermore, we introduce a simple yet effective method leveraging the inherent properties of online mapping by fusing the teacher's pseudo-labels from multiple samples, enhancing the reliability of self-supervised training. If 10% of the data has labels, our method to leverage unlabelled data achieves a 3.5x performance boost compared to only using the labelled data. This narrows the gap to a fully supervised model, using all labels, to just 3.5 mIoU. We also show strong generalization to unseen cities. Specifically, in Argoverse 2, when adapting to Pittsburgh, incorporating purely unlabelled target-domain data reduces the performance gap from 5 to 0.5 mIoU. These results highlight the potential of SSL as a powerful tool for solving the online mapping problem, significantly reducing reliance on labelled data.
• Abstract（参考訳）: オンボードのセンサー情報のみを使用してオンラインマップを生成する能力は、うまくマッピングされた領域を超えて自動運転を可能にするために不可欠である。 このタスクのトレーニングモデル(車線標識、道路の端、歩行者の横断を予測)は、伝統的に大量のラベル付きデータを必要とする。 半教師付き学習(SSL)は、他のドメインで約束されているが、オンラインマッピングの可能性はほとんど調査されていない。 本研究では,オンラインマッピングにおけるSSL手法の有効性を示すことによって,このギャップを埋める。 さらに,教師の擬似ラベルを複数のサンプルから融合させることにより,オンラインマッピングの本質的特性を活用した簡易かつ効果的な手法を導入し,自己指導型トレーニングの信頼性を高めた。 ラベル付きデータに10%のラベルがある場合、ラベル付きデータのみを使用する場合と比較して、ラベル付きデータを利用する場合に比べて3.5倍の性能向上が達成される。 これにより、すべてのラベルを使用して完全に教師されたモデルにギャップを狭め、3.5 mIoUに制限される。 我々はまた、目に見えない都市に強力な一般化を示す。 具体的には、Argoverse 2ではピッツバーグに適応する際に、純粋にラップされていないターゲットドメインデータを組み込むことで、パフォーマンスのギャップを5mIoUから0.5mIoUに短縮する。 これらの結果は、オンラインマッピング問題を解決する強力なツールとしてのSSLの可能性を強調し、ラベル付きデータへの依存を大幅に減らした。

関連論文リスト

• Semi-Supervised Class-Agnostic Motion Prediction with Pseudo Label Regeneration and BEVMix [59.55173022987071]
  クラス非依存動作予測のための半教師あり学習の可能性について検討する。 我々のフレームワークは一貫性に基づく自己学習パラダイムを採用しており、ラベルのないデータからモデルを学習することができる。 本手法は,弱さと完全教師付き手法に匹敵する性能を示す。
  論文  参考訳（メタデータ） (2023-12-13T09:32:50Z)
• 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)
• 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)
• Hierarchical Supervision and Shuffle Data Augmentation for 3D Semi-Supervised Object Detection [90.32180043449263]
  最先端の3Dオブジェクト検出器は通常、高品質な3Dアノテーションを備えた大規模データセットで訓練される。 自然な治療法は、限られた量のラベル付きサンプルと豊富なラベル付きサンプルを活用することで、半教師付き学習(SSL)を採用することである。 本稿では,HSSDA(Hierarchical Supervision and Shuffle Data Augmentation)の新たなアプローチを提案する。
  論文  参考訳（メタデータ） (2023-04-04T02:09:32Z)
• ProtoCon: Pseudo-label Refinement via Online Clustering and Prototypical Consistency for Efficient Semi-supervised Learning [60.57998388590556]
  ProtoConは信頼性に基づく疑似ラベル作成の新しい手法である。 ProtoConのオンライン版では、データセット全体のラベル履歴を1回のトレーニングサイクルで活用することができる。 最先端のデータセットよりも大幅に向上し、より高速に収束する。
  論文  参考訳（メタデータ） (2023-03-22T23:51:54Z)
• 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)
• SMARTQUERY: An Active Learning Framework for Graph Neural Networks through Hybrid Uncertainty Reduction [25.77052028238513]
  本稿では,ハイブリッド不確実性低減関数を用いて,ラベル付きノードの少ないグラフニューラルネットワークを学習するフレームワークを提案する。 ごく少数のラベル付きデータを用いた最先端技術に対する本手法の競合性能を実証する。
  論文  参考訳（メタデータ） (2022-12-02T20:49:38Z)
• Open-Set Semi-Supervised Learning for 3D Point Cloud Understanding [62.17020485045456]
  半教師付き学習(SSL)では、ラベル付きデータと同じ分布からラベル付きデータが引き出されることが一般的である。 サンプル重み付けによりラベルなしデータを選択的に活用することを提案する。
  論文  参考訳（メタデータ） (2022-05-02T16:09:17Z)
• 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)
• Active Self-Semi-Supervised Learning for Few Labeled Samples [4.713652957384158]
  アノテーションを限定した深層モデルのトレーニングは、さまざまな実践領域に適用する上で、大きな課題となる。 我々は,シンプルで効果的な自己半教師付き学習(AS3L)を提案する。 擬似ラベル(PPL)を用いたAS3Lブートストラップ半教師付きモデル 我々は,正確なPPLを得るために,能動的学習とラベル伝搬戦略を開発した。
  論文  参考訳（メタデータ） (2022-03-09T07:45:05Z)
• 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。