論文の概要: Turin3D: Evaluating Adaptation Strategies under Label Scarcity in Urban LiDAR Segmentation with Semi-Supervised Techniques

• arxiv url: http://arxiv.org/abs/2504.05882v1
• Date: Tue, 08 Apr 2025 10:17:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-09 13:31:18.184567
• Title: Turin3D: Evaluating Adaptation Strategies under Label Scarcity in Urban LiDAR Segmentation with Semi-Supervised Techniques
• Title（参考訳）: Turin3D:セミスーパービジョン技術を用いた都市LiDARセグメンテーションにおけるラベルスカルシティ下での適応戦略の評価
• Authors: Luca Barco, Giacomo Blanco, Gaetano Chiriaco, Alessia Intini, Luigi La Riccia, Vittorio Scolamiero, Piero Boccardo, Paolo Garza, Fabrizio Dominici,
• Abstract要約: Turin3Dは、チューリン市中心部の約1.43 km2の領域を約7000万点でカバーする、ポイントクラウドセマンティックセマンティックセグメンテーションのための新しい空中LiDARデータセットである。 本稿では,データ収集プロセスについて述べるとともに,従来提案されていたTurin3Dと比較する。 プロセスの複雑さと時間を要する性質のため、データセットを完全にアノテートすることはできませんでした。 まず、Turin3Dでテストした場合、既存のデータセットに基づいてトレーニングされた複数のポイントクラウドセマンティックセマンティックセマンティクスモデルのパフォーマンスをベンチマークし、未学習のトレーニングセットを利用した半教師付き学習手法を適用してパフォーマンスを改善する。
• 参考スコア（独自算出の注目度）: 3.327905905353196
• License:
• Abstract: 3D semantic segmentation plays a critical role in urban modelling, enabling detailed understanding and mapping of city environments. In this paper, we introduce Turin3D: a new aerial LiDAR dataset for point cloud semantic segmentation covering an area of around 1.43 km2 in the city centre of Turin with almost 70M points. We describe the data collection process and compare Turin3D with others previously proposed in the literature. We did not fully annotate the dataset due to the complexity and time-consuming nature of the process; however, a manual annotation process was performed on the validation and test sets, to enable a reliable evaluation of the proposed techniques. We first benchmark the performances of several point cloud semantic segmentation models, trained on the existing datasets, when tested on Turin3D, and then improve their performances by applying a semi-supervised learning technique leveraging the unlabelled training set. The dataset will be publicly available to support research in outdoor point cloud segmentation, with particular relevance for self-supervised and semi-supervised learning approaches given the absence of ground truth annotations for the training set.
• Abstract（参考訳）: 3次元セマンティックセグメンテーションは、都市環境の詳細な理解とマッピングを可能にする都市モデリングにおいて重要な役割を果たす。 本稿では,チューリン市中心部の約1.43km2の領域に約70万点を有する点雲セマンティックセグメンテーションのための新しい空中LiDARデータセットであるTurin3Dを紹介する。 本稿では,データ収集プロセスについて述べるとともに,従来提案されていたTurin3Dと比較する。 プロセスの複雑さと時間的特性から,データセットを完全に注釈付けすることはできなかったが,検証とテストセット上で手作業によるアノテーション処理を行い,提案手法の信頼性評価を実現した。 まず、Turin3Dでテストした場合、既存のデータセットに基づいてトレーニングされた複数のポイントクラウドセマンティックセマンティックセマンティクスモデルのパフォーマンスをベンチマークし、未学習のトレーニングセットを利用した半教師付き学習手法を適用してパフォーマンスを改善する。 データセットは、アウトドアポイントクラウドセグメンテーションの研究をサポートするために公開され、トレーニングセットの真理アノテーションが欠如していることから、特に自己教師付きおよび半教師付き学習アプローチに関連している。

関連論文リスト

• InLUT3D: Challenging real indoor dataset for point cloud analysis [0.0]
  本稿では,屋内環境におけるシーン理解の分野を推し進めるための総合的なリソースであるInLUT3Dポイントクラウドデータセットを紹介する。 このデータセットは、高解像度レーザーベースの点雲と手動ラベリングを特徴とするロドス工科大学のW7学部ビル内の様々な空間をカバーしている。
  論文  参考訳（メタデータ） (2024-07-22T09:56:31Z)
• 3D Annotation-Free Learning by Distilling 2D Open-Vocabulary Segmentation Models for Autonomous Driving [17.42913935045091]
  2D textbf Open-textbfVocabulary セグメンテーションモデルを用いた新しい3D textbf Annotation-textbfFree フレームワーク AFOV を提案する。 第一段階では、2次元オープン語彙モデルの高品質テキストと画像の特徴を革新的に統合し、TMP(Tri-Modal contrastive Pre-training)を提案する。 第2段階では、点雲と画像の間の空間マッピングを利用して擬似ラベルを生成し、交差を可能にする。
  論文  参考訳（メタデータ） (2024-05-24T07:18:09Z)
• U3DS$^3$: Unsupervised 3D Semantic Scene Segmentation [19.706172244951116]
  本稿では,U3DS$3$について,総合的な3Dシーンに対して,完全に教師なしのポイントクラウドセグメンテーションに向けたステップとして提示する。 提案手法の最初のステップは,各シーンの幾何学的特徴に基づいてスーパーポイントを生成することである。 次に、空間クラスタリングに基づく手法を用いて学習プロセスを行い、次いで、クラスタセントロイドに応じて生成された擬似ラベルを用いて反復的なトレーニングを行う。
  論文  参考訳（メタデータ） (2023-11-10T12:05:35Z)
• AutoSynth: Learning to Generate 3D Training Data for Object Point Cloud Registration [69.21282992341007]
  Auto Synthは、ポイントクラウド登録のための3Dトレーニングデータを自動的に生成する。 私たちはポイントクラウド登録ネットワークをもっと小さなサロゲートネットワークに置き換え、4056.43$のスピードアップを実現しました。 TUD-L,LINEMOD,Occluded-LINEMODに関する我々の研究結果は,検索データセットでトレーニングされたニューラルネットワークが,広く使用されているModelNet40データセットでトレーニングされたニューラルネットワークよりも一貫してパフォーマンスが向上していることを示す。
  論文  参考訳（メタデータ） (2023-09-20T09:29:44Z)
• 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)
• 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)
• Guided Point Contrastive Learning for Semi-supervised Point Cloud Semantic Segmentation [90.2445084743881]
  そこで本研究では,モデル性能を向上させるために,未ラベルの点群をトレーニングに採用するための半教師付き点群セマンティックセマンティックセマンティックセマンティクスを提案する。 近年の自己監督型タスクのコントラスト損失に触発されて,特徴表現とモデル一般化能力を高めるためのガイド付きポイントコントラスト損失を提案する。
  論文  参考訳（メタデータ） (2021-10-15T16:38:54Z)
• Spatio-temporal Self-Supervised Representation Learning for 3D Point Clouds [96.9027094562957]
  ラベルのないタスクから学習できる時間的表現学習フレームワークを導入する。 幼児が野生の視覚的データからどのように学ぶかに触発され、3Dデータから派生した豊かな手がかりを探索する。 STRLは3Dポイントクラウドシーケンスから2つの時間的関連フレームを入力として、空間データ拡張で変換し、不変表現を自己指導的に学習する。
  論文  参考訳（メタデータ） (2021-09-01T04:17:11Z)
• SUM: A Benchmark Dataset of Semantic Urban Meshes [3.001335226051674]
  本稿では、意味的都市メッシュの新しいベンチマークデータセット、新しい半自動アノテーションフレームワーク、および3Dメッシュのためのオープンソースアノテーションツールを紹介します。 特に我々のデータセットはヘルシンキ(フィンランド)の約4km2で、6つのクラスでカバーしています。 注釈付きデータセット上のいくつかの代表的な3Dセマンティックセグメンテーション手法のパフォーマンスを比較します。
  論文  参考訳（メタデータ） (2021-02-27T23:26:21Z)
• Campus3D: A Photogrammetry Point Cloud Benchmark for Hierarchical Understanding of Outdoor Scene [76.4183572058063]
  複数の屋外シーン理解タスクに対して,リッチな注釈付き3Dポイントクラウドデータセットを提案する。 データセットは階層型ラベルとインスタンスベースのラベルの両方でポイントワイズアノテートされている。 本稿では,3次元点雲分割のための階層的学習問題を定式化し,様々な階層間の整合性を評価することを提案する。
  論文  参考訳（メタデータ） (2020-08-11T19:10:32Z)

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。