論文の概要: 3DResT: A Strong Baseline for Semi-Supervised 3D Referring Expression Segmentation

• arxiv url: http://arxiv.org/abs/2504.12599v1
• Date: Thu, 17 Apr 2025 02:50:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-18 14:37:02.470491
• Title: 3DResT: A Strong Baseline for Semi-Supervised 3D Referring Expression Segmentation
• Title（参考訳）: 3DResT:半監督された3次元参照表現セグメンテーションのための強力なベースライン
• Authors: Wenxin Chen, Mengxue Qu, Weitai Kang, Yan Yan, Yao Zhao, Yunchao Wei,
• Abstract要約: 3D参照式(3D-RES)は通常、広範囲のインスタンスレベルのアノテーションを必要とします。 半教師付き学習(SSL)は、制限付きラベル付きデータと豊富なラベル付きデータを使用することでこれを緩和し、アノテーションのコストを削減しながらパフォーマンスを向上する。 本稿では,3D-RESのための半教師付き学習フレームワークについて紹介し,3DResTという頑健なベースライン手法を提案する。
• 参考スコア（独自算出の注目度）: 73.877177695218
• License:
• Abstract: 3D Referring Expression Segmentation (3D-RES) typically requires extensive instance-level annotations, which are time-consuming and costly. Semi-supervised learning (SSL) mitigates this by using limited labeled data alongside abundant unlabeled data, improving performance while reducing annotation costs. SSL uses a teacher-student paradigm where teacher generates high-confidence-filtered pseudo-labels to guide student. However, in the context of 3D-RES, where each label corresponds to a single mask and labeled data is scarce, existing SSL methods treat high-quality pseudo-labels merely as auxiliary supervision, which limits the model's learning potential. The reliance on high-confidence thresholds for filtering often results in potentially valuable pseudo-labels being discarded, restricting the model's ability to leverage the abundant unlabeled data. Therefore, we identify two critical challenges in semi-supervised 3D-RES, namely, inefficient utilization of high-quality pseudo-labels and wastage of useful information from low-quality pseudo-labels. In this paper, we introduce the first semi-supervised learning framework for 3D-RES, presenting a robust baseline method named 3DResT. To address these challenges, we propose two novel designs called Teacher-Student Consistency-Based Sampling (TSCS) and Quality-Driven Dynamic Weighting (QDW). TSCS aids in the selection of high-quality pseudo-labels, integrating them into the labeled dataset to strengthen the labeled supervision signals. QDW preserves low-quality pseudo-labels by dynamically assigning them lower weights, allowing for the effective extraction of useful information rather than discarding them. Extensive experiments conducted on the widely used benchmark demonstrate the effectiveness of our method. Notably, with only 1% labeled data, 3DResT achieves an mIoU improvement of 8.34 points compared to the fully supervised method.
• Abstract（参考訳）: 3D参照式セグメンテーション(3D-RES)は通常、広範囲なインスタンスレベルのアノテーションを必要とします。 半教師付き学習(SSL)は、制限付きラベル付きデータと豊富なラベル付きデータを使用することでこれを緩和し、アノテーションのコストを削減しながらパフォーマンスを向上する。 SSLは教師が生徒を指導するために高信頼度フィルタ付き擬似ラベルを生成する教師学生パラダイムを使用する。 しかし、各ラベルが単一のマスクに対応しラベル付きデータが不足している3D-RESの文脈では、既存のSSLメソッドは、高品質な擬似ラベルを単に補助的な監督として扱うだけで、モデルの学習可能性を制限する。 フィルタリングのための高信頼しきい値への依存はしばしば、潜在的に価値のある擬似ラベルが破棄され、モデルが豊富なラベルのないデータを活用する能力を制限する。 そこで我々は,半教師付き3D-RESにおける2つの重要な課題,すなわち,高品質な擬似ラベルの非効率利用と,低品質な擬似ラベルから有用な情報を無駄にすることを明らかにする。 本稿では,3D-RESのための半教師付き学習フレームワークについて紹介し,3DResTという頑健なベースライン手法を提案する。 これらの課題に対処するために,教師-学生一貫性に基づくサンプリング (TSCS) と品質駆動型動的重み付け (QDW) という2つの新しい設計を提案する。 TSCSは高品質な擬似ラベルの選択を支援し、ラベル付きデータセットに統合してラベル付き監視信号を強化する。 QDWは、低い重みを動的に割り当てることで、低品質の擬似ラベルを保存する。 広範に用いられているベンチマーク実験により,本手法の有効性が示された。 特に、3DResTは1%のラベル付きデータしか持たないため、完全に教師された手法に比べて8.34ポイントのmIoU改善を実現している。

関連論文リスト

• DyConfidMatch: Dynamic Thresholding and Re-sampling for 3D Semi-supervised Learning [4.259908158892314]
  半教師付き学習(SSL)はラベル付きで豊富なラベル付きデータを活用するが、データ不均衡の課題に直面することが多い。 本研究では,3次元SSLにおける学習状況の指標としてのクラスレベルの信頼度について検討し,動的しきい値を用いた新しい手法を提案する。 また、適切に表現されたクラスに対するバイアスを緩和し、同値なクラス表現を確保するために再サンプリング戦略も導入されている。
  論文  参考訳（メタデータ） (2024-11-13T05:09:28Z)
• TrajSSL: Trajectory-Enhanced Semi-Supervised 3D Object Detection [59.498894868956306]
  Pseudo-labeling approach to semi-supervised learning は教師-学生の枠組みを採用する。 我々は、事前学習した動き予測モデルを活用し、擬似ラベル付きデータに基づいて物体軌跡を生成する。 提案手法は2つの異なる方法で擬似ラベル品質を向上する。
  論文  参考訳（メタデータ） (2024-09-17T05:35:00Z)
• Dual-Perspective Knowledge Enrichment for Semi-Supervised 3D Object Detection [55.210991151015534]
  本稿では, DPKE という新しい2次元知識豊か化手法を提案する。 我々のDPKEは、データパースペクティブと機能パースペクティブという2つの観点から、限られたトレーニングデータ、特にラベルなしデータの知識を豊かにしています。
  論文  参考訳（メタデータ） (2024-01-10T08:56:07Z)
• All Points Matter: Entropy-Regularized Distribution Alignment for Weakly-supervised 3D Segmentation [67.30502812804271]
  擬似ラベルは、弱い教師付き3Dセグメンテーションタスクに広く使われており、学習に使えるのはスパース・グラウンド・トラス・ラベルのみである。 本稿では,生成した擬似ラベルを正規化し,擬似ラベルとモデル予測とのギャップを効果的に狭めるための新しい学習戦略を提案する。
  論文  参考訳（メタデータ） (2023-05-25T08:19:31Z)
• Hierarchical Supervision and Shuffle Data Augmentation for 3D Semi-Supervised Object Detection [90.32180043449263]
  最先端の3Dオブジェクト検出器は通常、高品質な3Dアノテーションを備えた大規模データセットで訓練される。 自然な治療法は、限られた量のラベル付きサンプルと豊富なラベル付きサンプルを活用することで、半教師付き学習(SSL)を採用することである。 本稿では,HSSDA(Hierarchical Supervision and Shuffle Data Augmentation)の新たなアプローチを提案する。
  論文  参考訳（メタデータ） (2023-04-04T02:09:32Z)
• Teachers in concordance for pseudo-labeling of 3D sequential data [1.1610573589377013]
  そこで本研究では,複数の教員を養成することで,教員教育における擬似ラベリング手法の強化を図るために,点雲のシーケンスを活用することを提案する。 Concordanceと呼ばれるこの一連の教師は、標準的な方法よりも高品質な学生教育のための擬似ラベルを提供する。 20%のラベルしか使用していない我々の手法は、完全に教師された手法よりも優れています。
  論文  参考訳（メタデータ） (2022-07-13T09:40:22Z)
• Open-Set Semi-Supervised Learning for 3D Point Cloud Understanding [62.17020485045456]
  半教師付き学習(SSL)では、ラベル付きデータと同じ分布からラベル付きデータが引き出されることが一般的である。 サンプル重み付けによりラベルなしデータを選択的に活用することを提案する。
  論文  参考訳（メタデータ） (2022-05-02T16:09:17Z)

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。