論文の概要: Clustering is back: Reaching state-of-the-art LiDAR instance segmentation without training

• arxiv url: http://arxiv.org/abs/2503.13203v1
• Date: Mon, 17 Mar 2025 14:12:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-18 12:30:08.082478
• Title: Clustering is back: Reaching state-of-the-art LiDAR instance segmentation without training
• Title（参考訳）: クラスタリングが復活:トレーニングなしで最先端のLiDARインスタンスセグメンテーションに到達
• Authors: Corentin Sautier, Gilles Puy, Alexandre Boulch, Renaud Marlet, Vincent Lepetit,
• Abstract要約: 本研究は, セマンティックラベルのみを用いて, 競合するパノプティクスのセグメンテーションを実現できることを示す。 本手法は完全に説明可能であり,学習やパラメータチューニングは不要である。
• 参考スコア（独自算出の注目度）: 69.2787246878521
• License:
• Abstract: Panoptic segmentation of LiDAR point clouds is fundamental to outdoor scene understanding, with autonomous driving being a primary application. While state-of-the-art approaches typically rely on end-to-end deep learning architectures and extensive manual annotations of instances, the significant cost and time investment required for labeling large-scale point cloud datasets remains a major bottleneck in this field. In this work, we demonstrate that competitive panoptic segmentation can be achieved using only semantic labels, with instances predicted without any training or annotations. Our method achieves performance comparable to current state-of-the-art supervised methods on standard benchmarks including SemanticKITTI and nuScenes, and outperforms every publicly available method on SemanticKITTI as a drop-in instance head replacement, while running in real-time on a single-threaded CPU and requiring no instance labels. Our method is fully explainable, and requires no learning or parameter tuning. Code is available at https://github.com/valeoai/Alpine/
• Abstract（参考訳）: LiDAR点雲のパノプティカルセグメンテーションは屋外のシーン理解に基本的であり、自律運転が主な用途である。 最先端のアプローチは通常、エンドツーエンドのディープラーニングアーキテクチャとインスタンスの広範な手動アノテーションに依存していますが、大規模なポイントクラウドデータセットのラベル付けに必要な多大なコストと時間的投資はこの分野で大きなボトルネックのままです。 本研究は, セマンティックラベルのみを用いて, トレーニングやアノテーションを使わずに, 競合する汎視的セグメンテーションを実現できることを示す。 本手法は,SemanticKITTI や nuScenes などの標準ベンチマークにおける現在の最先端管理手法に匹敵する性能を達成し,シングルスレッドCPU上でリアルタイムに動作し,インスタンスラベルを不要にしながら,ドロップインインスタンスヘッド置換として,SemanticKITTI 上で公開されているすべてのメソッドの性能を向上する。 本手法は完全に説明可能であり,学習やパラメータチューニングは不要である。 コードはhttps://github.com/valeoai/Alpine/で公開されている。

関連論文リスト

• UNIT: Unsupervised Online Instance Segmentation through Time [69.2787246878521]
  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。
  論文  参考訳（メタデータ） (2024-09-12T09:47:45Z)
• 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)
• ElC-OIS: Ellipsoidal Clustering for Open-World Instance Segmentation on LiDAR Data [13.978966783993146]
  オープンワールドインスタンス(OIS)は、現在の観察に現れるすべてのオブジェクトインスタンスを正確に分割することを目的とした、難しいタスクである。 これは、堅牢な自律ナビゲーションのような安全クリティカルなアプリケーションにとって重要である。 我々は、LiDARポイントクラウドのための柔軟で効果的なOISフレームワークを提案し、既知のインスタンスと未知のインスタンスの両方を正確に分割できる。
  論文  参考訳（メタデータ） (2023-03-08T03:22:11Z)
• 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)
• FreeSOLO: Learning to Segment Objects without Annotations [191.82134817449528]
  我々は,単純なインスタンスセグメンテーションメソッドSOLO上に構築された自己教師型インスタンスセグメンテーションフレームワークであるFreeSOLOを紹介する。 また,本手法では,複雑なシーンからオブジェクトを教師なしで検出する,新たなローカライズ対応事前学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-02-24T16:31:44Z)
• Towards Single Stage Weakly Supervised Semantic Segmentation [2.28438857884398]
  弱教師付きセマンティックセグメンテーションへのシングルステージアプローチを提案する。 ポイントアノテーションを使用して、オンザフライで信頼性の高い擬似マスクを生成します。 我々は、最近の実世界のデータセットにおいて、他のSOTA WSSS手法よりも大幅に優れています。
  論文  参考訳（メタデータ） (2021-06-18T18:34:50Z)
• A Closer Look at Self-training for Zero-Label Semantic Segmentation [53.4488444382874]
  トレーニング中に見られないクラスをセグメント化できることは、ディープラーニングにおいて重要な技術的課題です。 事前のゼロラベルセマンティクスセグメンテーションは、ビジュアル・セマンティクスの埋め込みや生成モデルを学ぶことによってこのタスクにアプローチする。 本研究では,同一画像の異なる増分から生じる擬似ラベルの交点を取り出し,ノイズの多い擬似ラベルをフィルタリングする整合性正規化器を提案する。
  論文  参考訳（メタデータ） (2021-04-21T14:34:33Z)
• 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。