論文の概要: LiDAR Remote Sensing Meets Weak Supervision: Concepts, Methods, and Perspectives

• arxiv url: http://arxiv.org/abs/2503.18384v1
• Date: Mon, 24 Mar 2025 06:51:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-25 16:32:17.136317
• Title: LiDAR Remote Sensing Meets Weak Supervision: Concepts, Methods, and Perspectives
• Title（参考訳）: LiDARのリモートセンシング:コンセプト、方法論、展望
• Authors: Yuan Gao, Shaobo Xia, Pu Wang, Xiaohuan Xi, Sheng Nie, Cheng Wang,
• Abstract要約: 本総説では,LiDARの解釈と逆転の研究を行うために,弱教師付き学習視点を採用する。 我々は,最新の進歩を要約し,LiDARリモートセンシングにおける弱教師付き技術の開発と適用について概観し,今後の研究方向性について論じる。
• 参考スコア（独自算出の注目度）: 16.213116971476083
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: LiDAR (Light Detection and Ranging) enables rapid and accurate acquisition of three-dimensional spatial data, widely applied in remote sensing areas such as surface mapping, environmental monitoring, urban modeling, and forestry inventory. LiDAR remote sensing primarily includes data interpretation and LiDAR-based inversion. However, LiDAR interpretation typically relies on dense and precise annotations, which are costly and time-consuming. Similarly, LiDAR inversion depends on scarce supervisory signals and expensive field surveys for annotations. To address this challenge, weakly supervised learning has gained significant attention in recent years, with many methods emerging to tackle LiDAR remote sensing tasks using incomplete, inaccurate, and inexact annotations, as well as annotations from other domains. Existing review articles treat LiDAR interpretation and inversion as separate tasks. This review, for the first time, adopts a unified weakly supervised learning perspective to systematically examine research on both LiDAR interpretation and inversion. We summarize the latest advancements, provide a comprehensive review of the development and application of weakly supervised techniques in LiDAR remote sensing, and discuss potential future research directions in this field.
• Abstract（参考訳）: LiDAR(Light Detection and Ranging)は3次元空間データの迅速かつ正確な取得を可能にする。 LiDARリモートセンシングは主にデータ解釈とLiDARベースのインバージョンを含んでいる。 しかし、LiDARの解釈は通常、高コストで時間を要する高密度で正確なアノテーションに依存している。 同様に、LiDARのインバージョンは、アノテーションに対するわずかな監督信号と高価なフィールドサーベイに依存する。 この課題に対処するため、近年は弱い教師付き学習が注目されており、不完全、不正確、不正確なアノテーションや他のドメインからのアノテーションを使ってLiDARリモートセンシングタスクに取り組む多くの手法が登場している。 既存のレビュー記事では、LiDARの解釈と逆転を別のタスクとして扱う。 このレビューは、LiDARの解釈と逆変換の両方の研究を体系的に研究するために、弱教師付き学習の視点を初めて採用する。 我々は,最新の進歩を要約し,LiDARリモートセンシングにおける弱教師付き技術の開発と適用について概観し,今後の研究方向性について論じる。

関連論文リスト

• LLM-Enhanced Reinforcement Learning for Time Series Anomaly Detection [1.1852406625172216]
  時系列異常検出は、しばしばスパースラベル、複雑な時間パターン、高価な専門家アノテーションに悩まされる。 本稿では,LL(Reinforcement Learning),VAE(Variational Autoencoder)の強化された動的報酬スケーリング,ラベル伝搬によるアクティブラーニングを併用した,LLM(Large Language Model)に基づく報酬形成機能の統合フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-01-05T19:33:30Z)
• LLM-Assisted Semantic Guidance for Sparsely Annotated Remote Sensing Object Detection [25.9348571356454]
  リモートセンシングオブジェクト検出のためのLLM支援セマンティックガイダンスフレームワーク Dense Pseudo-Label Assignmentメカニズムは、ラベルなしデータと疎ラベル付きデータの両方に擬似ラベルを適応的に割り当てる。 Adaptive Hard-Negative Reweighting Module による教師付き学習領域の安定化
  論文  参考訳（メタデータ） (2025-09-21T08:05:43Z)
• Annotation-Free Open-Vocabulary Segmentation for Remote-Sensing Images [51.74614065919118]
  本稿では,アノテーションのないRS画像のオープン語彙セグメンテーションのための最初のフレームワークであるSegEarth-OVを紹介する。 粗い特徴から高分解能空間の詳細を頑健に復元する普遍的なアップサンプラーであるSimFeatUpを提案する。 また、パッチ機能から固有のグローバルコンテキストを抽出するための、シンプルで効果的なグローバルバイアス緩和操作も提示する。
  論文  参考訳（メタデータ） (2025-08-25T14:22:57Z)
• Leveraging Sparse LiDAR for RAFT-Stereo: A Depth Pre-Fill Perspective [23.15129268391347]
  RAFT-StereoフレームワークにおけるLiDAR誘導について検討する。 我々は,初期差分マップに正確なLiDAR深度を注入することにより,ステレオマッチングの精度を向上させることを目指している。 その結果,LiDAR の誘導の有効性は,LiDAR のポイントが疎くなると著しく低下することがわかった。
  論文  参考訳（メタデータ） (2025-07-26T02:03:02Z)
• LiDAR-GS:Real-time LiDAR Re-Simulation using Gaussian Splatting [50.808933338389686]
  都市景観におけるLiDARスキャンをリアルタイムかつ高忠実に再現するLiDAR-GSを提案する。 この手法は,公開可能な大規模シーンデータセットのレンダリングフレームレートと品質の両面において,最先端の結果を達成する。
  論文  参考訳（メタデータ） (2024-10-07T15:07:56Z)
• Multi-Modal Data-Efficient 3D Scene Understanding for Autonomous Driving [58.16024314532443]
  我々は、異なるLiDARスキャンからレーザービーム操作を統合するフレームワークであるLaserMix++を導入し、データ効率の学習を支援するためにLiDAR-カメラ対応を組み込んだ。 結果は、LaserMix++が完全に教師付き代替よりも優れており、5倍のアノテーションで同等の精度を実現していることを示している。 この大幅な進歩は、LiDARベースの3Dシーン理解システムにおける広範囲なラベル付きデータへの依存を減らすための半教師付きアプローチの可能性を示している。
  論文  参考訳（メタデータ） (2024-05-08T17:59:53Z)
• Deep Learning for Trajectory Data Management and Mining: A Survey and Beyond [58.63558696061679]
  軌道計算は、位置サービス、都市交通、公共安全など、様々な実用用途において重要である。 トラジェクトリ・コンピューティングのためのディープラーニング(DL4Traj)の開発と最近の進歩について概観する。 特に、軌道計算を増強する可能性を持つ大規模言語モデル(LLM)の最近の進歩をカプセル化する。
  論文  参考訳（メタデータ） (2024-03-21T05:57:27Z)
• SwiMDiff: Scene-wide Matching Contrastive Learning with Diffusion Constraint for Remote Sensing Image [21.596874679058327]
  SwiMDiffは、リモートセンシング画像のための新しい自己教師付き事前トレーニングフレームワークである。 ラベルを再分類し、同じシーンからのデータを偽陰性として認識する。 対照的学習(CL)と拡散モデルとをシームレスに統合する。
  論文  参考訳（メタデータ） (2024-01-10T11:55:58Z)
• Sparse Beats Dense: Rethinking Supervision in Radar-Camera Depth Completion [18.0877558432168]
  本稿では,従来の高密度LiDAR監督法を精度と速度の両方で上回る,疎LiDAR監督法を提案する。 また, 粗いLiDAR監督下では, 重要ストライプ状アーティファクトを含む深度マップを出力することが多い。 本研究のフレームワークは,平均絶対誤差(MAE)が11.6%,フレームパー秒(FPS)が1.6倍向上し,最先端の高密度監視手法よりも優れていた。
  論文  参考訳（メタデータ） (2023-12-01T06:04:49Z)
• Traj-LO: In Defense of LiDAR-Only Odometry Using an Effective Continuous-Time Trajectory [20.452961476175812]
  本文では,LiDARのみのオドメトリーを連続的視点で検討する。 提案するTraj-LOアプローチは,LiDARの空間的・時間的一貫した動きを回復しようとする。 私たちの実装はGitHubでオープンソース化されています。
  論文  参考訳（メタデータ） (2023-09-25T03:05:06Z)
• SPOT: Scalable 3D Pre-training via Occupancy Prediction for Learning Transferable 3D Representations [76.45009891152178]
  トレーニング-ファインタニングアプローチは、さまざまな下流データセットとタスクをまたいだトレーニング済みのバックボーンを微調整することで、ラベル付けの負担を軽減することができる。 本稿では, 一般表現学習が, 占領予測のタスクを通じて達成できることを, 初めて示す。 本研究は,LiDAR 点の理解を促進するとともに,LiDAR の事前訓練における今後の進歩の道を開くことを目的とする。
  論文  参考訳（メタデータ） (2023-09-19T11:13:01Z)
• Detecting the Anomalies in LiDAR Pointcloud [8.827947115933942]
  逆の気象条件は、LiDARが散乱ノイズ点や異常強度値などの異常なパターンを持つ点雲を発生させる可能性がある。 そこで本研究では,LiDARが点雲特性を解析して異常点雲を発生しているかどうかを検知する手法を提案する。
  論文  参考訳（メタデータ） (2023-07-31T22:53:42Z)
• Benchmarking the Robustness of LiDAR Semantic Segmentation Models [78.6597530416523]
  本稿では,LiDARセマンティックセグメンテーションモデルのロバスト性を,様々な汚職の下で包括的に解析することを目的とする。 本稿では,悪天候,計測ノイズ,デバイス間不一致という3つのグループで16のドメイン外LiDAR破損を特徴とするSemanticKITTI-Cというベンチマークを提案する。 我々は、単純だが効果的な修正によってロバスト性を大幅に向上させるロバストLiDARセグメンテーションモデル(RLSeg)を設計する。
  論文  参考訳（メタデータ） (2023-01-03T06:47:31Z)
• LiDAR Distillation: Bridging the Beam-Induced Domain Gap for 3D Object Detection [96.63947479020631]
  多くの現実世界の応用において、大量生産されたロボットや車両が使用するLiDARポイントは通常、大規模な公開データセットよりもビームが少ない。 異なるLiDARビームによって誘導される領域ギャップをブリッジして3次元物体検出を行うLiDAR蒸留法を提案する。
  論文  参考訳（メタデータ） (2022-03-28T17:59:02Z)
• Learning Moving-Object Tracking with FMCW LiDAR [53.05551269151209]
  新たに開発したLiDARセンサである周波数変調連続波(FMCW)を用いた学習型移動物体追跡手法を提案する。 ラベルが与えられた場合,同じインスタンスから機能を埋め込みスペースにまとめて,異なるインスタンスから機能を分離してトラッキング品質を向上させる,対照的な学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-03-02T09:11:36Z)
• Semi-supervised Domain Adaptive Structure Learning [72.01544419893628]
  半教師付きドメイン適応 (SSDA) は,1) アノテーションの低いデータに過度に適合する手法と,2) ドメイン間の分散シフトの両方を克服しなければならない課題である。 SSLとDAの協調を正規化するための適応型構造学習手法を提案する。
  論文  参考訳（メタデータ） (2021-12-12T06:11:16Z)
• WSSOD: A New Pipeline for Weakly- and Semi-Supervised Object Detection [75.80075054706079]
  弱機能および半教師付きオブジェクト検出フレームワーク(WSSOD)を提案する。 エージェント検出器は、まず関節データセット上でトレーニングされ、弱注釈画像上で擬似境界ボックスを予測するために使用される。 提案フレームワークはPASCAL-VOC と MSCOCO のベンチマークで顕著な性能を示し,完全教師付き環境で得られたものと同等の性能を達成している。
  論文  参考訳（メタデータ） (2021-05-21T11:58:50Z)
• EfficientLPS: Efficient LiDAR Panoptic Segmentation [30.249379810530165]
  我々は、LiDARポイントクラウドのセグメント化における複数の課題に対処する新しい効率的なLiDARパンオプティクスアーキテクチャを紹介します。 効率的なLPSは、拡張された幾何変換モデリング能力で符号化される新しい共有バックボーンからなる。 提案したモデルを2つの大規模LiDARデータセットでベンチマークする。
  論文  参考訳（メタデータ） (2021-02-16T08:14:52Z)
• LEAD: LiDAR Extender for Autonomous Driving [48.233424487002445]
  MEMS LiDARは、その低コスト、より堅牢、および大量生産基準を満たすため、耐え難い傾向で出現します。 それは小さい視野(FoV)に苦しめられ、人口のステップを遅らせます。 我々は、MEMS LiDARをFoVと範囲を結合して拡張するLEAD(LiDAR Extender for Automation)を提案する。
  論文  参考訳（メタデータ） (2021-02-16T07:35:34Z)

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。