論文の概要: LiDAR Remote Sensing Meets Weak Supervision: Concepts, Methods, and Perspectives
- arxiv url: http://arxiv.org/abs/2503.18384v2
- Date: Tue, 28 Oct 2025 07:24:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-29 17:50:20.006741
- 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: 光検出・測光(LiDAR)リモートセンシングは、データ解釈とパラメータ反転の2つの主要な方向を含む。
どちらの方向も、コストと労働集約的なラベル付きデータとフィールドの測定に大きく依存しているため、スケーラビリティと適応性が制限される。
本稿では、解釈と逆転を個別のタスクとして扱う従来の視点から離れ、統一WSLの観点からのLiDARリモートセンシングの最近の進歩を概観する。
- 参考スコア（独自算出の注目度）: 14.612606404481282
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Light detection and ranging (LiDAR) remote sensing encompasses two major directions: data interpretation and parameter inversion. However, both directions rely heavily on costly and labor-intensive labeled data and field measurements, which constrains their scalability and spatiotemporal adaptability. Weakly Supervised Learning (WSL) provides a unified framework to address these limitations. This paper departs from the traditional view that treats interpretation and inversion as separate tasks and offers a systematic review of recent advances in LiDAR remote sensing from a unified WSL perspective. We cover typical WSL settings including incomplete supervision(e.g., sparse point labels), inexact supervision (e.g., scene-level tags), inaccurate supervision (e.g., noisy labels), and cross-domain supervision (e.g., domain adaptation/generalization) and corresponding techniques such as pseudo-labeling, consistency regularization, self-training, and label refinement, which collectively enable robust learning from limited and weak annotations.We further analyze LiDAR-specific challenges (e.g., irregular geometry, data sparsity, domain heterogeneity) that require tailored weak supervision, and examine how sparse LiDAR observations can guide joint learning with other remote-sensing data for continuous surface-parameter retrieval. Finally, we highlight future directions where WSL acts as a bridge between LiDAR and foundation models to leverage large-scale multimodal datasets and reduce labeling costs, while also enabling broader WSL-driven advances in generalization, open-world adaptation, and scalable LiDAR remote sensing.
- Abstract（参考訳）: 光検出・測光(LiDAR)リモートセンシングは、データ解釈とパラメータ反転の2つの主要な方向を含む。
しかし、どちらの方向もコストと労働集約的なラベル付きデータとフィールド計測に大きく依存しており、そのスケーラビリティと時空間適応性を制限している。
Weakly Supervised Learning (WSL)はこれらの制限に対処するための統一されたフレームワークを提供する。
本稿では、解釈と逆転を個別のタスクとして扱う従来の視点から離れ、統一WSLの観点からのLiDARリモートセンシングの最近の進歩を体系的にレビューする。
不完全な監督(例:スパースポイントラベル)、不正確な監督(例:シーンレベルタグ)、不正確な監督(例:ノイズラベル)、ドメイン間監督(例:ドメイン適応/一般化)、および擬似ラベル付け、一貫性の正則化、自己学習、ラベルの強化など、限定されたアノテーションから堅牢な学習を可能にする一般的なWSL設定を網羅する。
最後に、WSLがLiDARと基礎モデルの橋渡しとして機能し、大規模マルチモーダルデータセットを活用し、ラベリングコストを削減するとともに、一般化、オープンワールド適応、スケーラブルなLiDARリモートセンシングにおけるWSL駆動の広範な進歩を可能にする今後の方向性を強調した。
関連論文リスト
- 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) - 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) - 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) - 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。