論文の概要: You Only Click Once: Single Point Weakly Supervised 3D Instance Segmentation for Autonomous Driving

• arxiv url: http://arxiv.org/abs/2502.19698v2
• Date: Fri, 28 Feb 2025 02:47:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-03 13:42:13.790953
• Title: You Only Click Once: Single Point Weakly Supervised 3D Instance Segmentation for Autonomous Driving
• Title（参考訳）: ワンクリックでワンクリック! 自動運転のための3Dインスタンスセグメンテーション
• Authors: Guangfeng Jiang, Jun Liu, Yongxuan Lv, Yuzhi Wu, Xianfei Li, Wenlong Liao, Tao He, Pai Peng,
• Abstract要約: YoCoフレームワークは、最小限の粗いクリックアノテーションを使用して、3Dの擬似ラベルを生成する。 時間的および空間的なラベル更新モジュールは、信頼できる更新ラベルを生成するように設計されている。 疑似ラベルを高信頼・高IoU予測に置き換えたIoU誘導拡張モジュールを提案する。
• 参考スコア（独自算出の注目度）: 11.277350927584147
• License:
• Abstract: Outdoor LiDAR point cloud 3D instance segmentation is a crucial task in autonomous driving. However, it requires laborious human efforts to annotate the point cloud for training a segmentation model. To address this challenge, we propose a YoCo framework, which generates 3D pseudo labels using minimal coarse click annotations in the bird's eye view plane. It is a significant challenge to produce high-quality pseudo labels from sparse annotations. Our YoCo framework first leverages vision foundation models combined with geometric constraints from point clouds to enhance pseudo label generation. Second, a temporal and spatial-based label updating module is designed to generate reliable updated labels. It leverages predictions from adjacent frames and utilizes the inherent density variation of point clouds (dense near, sparse far). Finally, to further improve label quality, an IoU-guided enhancement module is proposed, replacing pseudo labels with high-confidence and high-IoU predictions. Experiments on the Waymo dataset demonstrate YoCo's effectiveness and generality, achieving state-of-the-art performance among weakly supervised methods and surpassing fully supervised Cylinder3D. Additionally, the YoCo is suitable for various networks, achieving performance comparable to fully supervised methods with minimal fine-tuning using only 0.8% of the fully labeled data, significantly reducing annotation costs.
• Abstract（参考訳）: 屋外のLiDARポイントクラウド3Dインスタンスセグメンテーションは、自動運転において重要なタスクである。 しかし、セグメンテーションモデルをトレーニングするためには、ポイントクラウドに注釈を付けるために、熱心に努力する必要がある。 この課題に対処するために,鳥の目視面に最小限の粗いクリックアノテーションを用いて3次元の擬似ラベルを生成するYoCoフレームワークを提案する。 スパースアノテーションから高品質な擬似ラベルを作成することは重要な課題である。 当社のYoCoフレームワークは、まず視覚基盤モデルと点雲からの幾何的制約を組み合わせて擬似ラベル生成を強化する。 第二に、時間的および空間的なラベル更新モジュールは、信頼できる更新ラベルを生成するように設計されている。 隣接するフレームからの予測を活用し、点雲の固有密度変動(近距離、疎遠)を利用する。 最後に, ラベル品質をさらに向上させるために, 疑似ラベルを高信頼・高IoU予測に置き換えたIoU誘導拡張モジュールを提案する。 Waymoデータセットの実験では、YoCoの有効性と汎用性を実証し、弱教師付きメソッド間で最先端のパフォーマンスを実現し、完全に教師付きCylinder3Dを超越している。 さらに、YoCoは様々なネットワークに適しており、完全なラベル付きデータのわずか0.8%で最小限の微調整を施した完全教師付き手法に匹敵する性能を実現し、アノテーションのコストを大幅に削減している。

関連論文リスト

• You Only Need One Thing One Click: Self-Training for Weakly Supervised 3D Scene Understanding [107.06117227661204]
  私たちはOne Thing One Click''を提案する。つまり、アノテーションはオブジェクトごとに1つのポイントをラベル付けするだけです。 グラフ伝搬モジュールによって促進されるトレーニングとラベル伝搬を反復的に行う。 我々のモデルは、ポイントクラスタリング戦略を備えた3Dインスタンスセグメンテーションと互換性がある。
  論文  参考訳（メタデータ） (2023-03-26T13:57:00Z)
• 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)
• Image Understands Point Cloud: Weakly Supervised 3D Semantic Segmentation via Association Learning [59.64695628433855]
  ラベルのない画像から補完的な情報を取り入れた3次元セグメンテーションのための新しいクロスモダリティ弱教師付き手法を提案する。 基本的に、ラベルの小さな部分のパワーを最大化するために、アクティブなラベリング戦略を備えたデュアルブランチネットワークを設計する。 提案手法は,1%未満のアクティブなアノテーションで,最先端の完全教師付き競合よりも優れていた。
  論文  参考訳（メタデータ） (2022-09-16T07:59:04Z)
• Semi-supervised 3D Object Detection with Proficient Teachers [114.54835359657707]
  自律運転のシナリオにおけるクラウドベースの3Dオブジェクト検出器の優位性は、大量の正確なラベル付きサンプルに大きく依存している。 Pseudo-Labeling法はSSLフレームワークで一般的に使用されているが、教師モデルの低品質な予測は、その性能を著しく制限している。 そこで本研究では,教師モデルをさらに高度化することで,半教師付き3次元物体検出のためのPseudo-Labelingフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-07-26T04:54:03Z)
• Dual Adaptive Transformations for Weakly Supervised Point Cloud Segmentation [78.6612285236938]
  弱制御点雲分割のための新しいDATモデル(textbfDual textbfAdaptive textbfTransformations)を提案する。 我々は,大規模S3DISデータセットとScanNet-V2データセットの2つの人気バックボーンを用いたDATモデルの評価を行った。
  論文  参考訳（メタデータ） (2022-07-19T05:43:14Z)
• Semi-supervised 3D Object Detection via Adaptive Pseudo-Labeling [18.209409027211404]
  3次元物体検出はコンピュータビジョンにおいて重要な課題である。 既存のほとんどのメソッドでは、多くの高品質な3Dアノテーションが必要です。 本研究では,屋外3次元物体検出タスクのための擬似ラベルに基づく新しい半教師付きフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-08-15T02:58:43Z)
• 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)

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。