論文の概要: SMART-PC: Skeletal Model Adaptation for Robust Test-Time Training in Point Clouds

• arxiv url: http://arxiv.org/abs/2505.19546v1
• Date: Mon, 26 May 2025 06:11:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-27 16:58:43.200763
• Title: SMART-PC: Skeletal Model Adaptation for Robust Test-Time Training in Point Clouds
• Title（参考訳）: SMART-PC:点雲におけるロバストテストタイムトレーニングのための骨格モデル適応
• Authors: Ali Bahri, Moslem Yazdanpanah, Sahar Dastani, Mehrdad Noori, Gustavo Adolfo Vargas Hakim, David Osowiechi, Farzad Beizaee, Ismail Ben Ayed, Christian Desrosiers,
• Abstract要約: テストタイムトレーニング(TTT)は,3Dポイントクラウド分類における分散シフトに対処する,有望なソリューションとして登場した。 SMART-PCは, 3次元点雲の幾何学的構造を活用することで, 破損に対するレジリエンスを高めるスケルトンベースのフレームワークである。
• 参考スコア（独自算出の注目度）: 18.33878596057853
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Test-Time Training (TTT) has emerged as a promising solution to address distribution shifts in 3D point cloud classification. However, existing methods often rely on computationally expensive backpropagation during adaptation, limiting their applicability in real-world, time-sensitive scenarios. In this paper, we introduce SMART-PC, a skeleton-based framework that enhances resilience to corruptions by leveraging the geometric structure of 3D point clouds. During pre-training, our method predicts skeletal representations, enabling the model to extract robust and meaningful geometric features that are less sensitive to corruptions, thereby improving adaptability to test-time distribution shifts. Unlike prior approaches, SMART-PC achieves real-time adaptation by eliminating backpropagation and updating only BatchNorm statistics, resulting in a lightweight and efficient framework capable of achieving high frame-per-second rates while maintaining superior classification performance. Extensive experiments on benchmark datasets, including ModelNet40-C, ShapeNet-C, and ScanObjectNN-C, demonstrate that SMART-PC achieves state-of-the-art results, outperforming existing methods such as MATE in terms of both accuracy and computational efficiency. The implementation is available at: https://github.com/AliBahri94/SMART-PC.
• Abstract（参考訳）: テストタイムトレーニング(TTT)は,3Dポイントクラウド分類における分散シフトに対処する,有望なソリューションとして登場した。 しかし、既存の手法は、適応中に計算的に高価なバックプロパゲーションに頼ることが多く、現実の時間に敏感なシナリオで適用性を制限する。 本稿では, 3次元点雲の幾何学的構造を活用することで, 破損に対するレジリエンスを高めるスケルトンベースのフレームワークSMART-PCを紹介する。 事前学習中,本手法は骨格表現を予測し,汚損に敏感でないロバストで有意義な幾何学的特徴を抽出し,テスト時間分布シフトへの適応性を向上させる。 従来の手法とは異なり、SMART-PCはバックプロパゲーションを排除し、BatchNorm統計のみを更新することでリアルタイム適応を実現しており、より優れた分類性能を維持しつつ、秒単位のフレームレートの高いフレームワークを実現することができる。 ModelNet40-C、ShapeNet-C、ScanObjectNN-Cといったベンチマークデータセットに関する大規模な実験は、SMART-PCが最先端の結果を達成し、MATEのような既存の手法を精度と計算効率の両方で上回ることを示した。 実装は以下の通りである。 https://github.com/AliBahri94/SMART-PC。

関連論文リスト

• CodeMerge: Codebook-Guided Model Merging for Robust Test-Time Adaptation in Autonomous Driving [28.022501313260648]
  既存のテスト時間適応法は、不安定な最適化とシャープなミニマのために、3Dオブジェクト検出のような高分散タスクで失敗することが多い。 CodeMergeはスケーラブルなモデルマージフレームワークで、コンパクトな潜在空間で操作することでこれらの制限を回避します。 提案手法は,NuScenes-C と LiDAR による7.6% mAP 以上の検出において,エンドツーエンドの3D 検出 14.9% NDS を向上する。
  論文  参考訳（メタデータ） (2025-05-22T11:09:15Z)
• APCoTTA: Continual Test-Time Adaptation for Semantic Segmentation of Airborne LiDAR Point Clouds [14.348191795901101]
  空中レーザースキャン(ALS)ポイントクラウドセグメンテーションは、大規模3Dシーン理解の基本的な課題である。 Continuous Test-Time Adaptation (CTTA)は、ソース予測モデルを適用して、未ラベルのターゲットドメインを進化させるソリューションを提供する。 我々は,ALSポイントクラウドセマンティックセグメンテーションに適した最初のCTTA手法であるAPCoTTAを提案する。
  論文  参考訳（メタデータ） (2025-05-15T05:21:16Z)
• Locally Adaptive One-Class Classifier Fusion with Dynamic $\ell$p-Norm Constraints for Robust Anomaly Detection [17.93058599783703]
  局所的なデータ特性に基づいて,融合重みを動的に調整するフレームワークを提案する。 本手法は,計算効率を大幅に向上させる内部点最適化手法を取り入れたものである。 計算効率を維持しながらローカルなデータパターンに適応できるフレームワークの能力は、リアルタイムアプリケーションに特に有用である。
  論文  参考訳（メタデータ） (2024-11-10T09:57:13Z)
• Unsupervised Pre-training with Language-Vision Prompts for Low-Data Instance Segmentation [105.23631749213729]
  低データ体制における教師なし事前学習のための新しい手法を提案する。 最近成功したプロンプト技術に触発されて,言語ビジョンプロンプトを用いた教師なし事前学習法を導入した。 提案手法は,低データ方式のCNNモデルよりも高速に収束し,性能がよいことを示す。
  論文  参考訳（メタデータ） (2024-05-22T06:48:43Z)
• AR-TTA: A Simple Method for Real-World Continual Test-Time Adaptation [1.4530711901349282]
  本稿では,自律運転のためのデータセット,すなわちCLAD-CとShiFTを用いたテスト時間適応手法の検証を提案する。 現在のテスト時間適応手法は、ドメインシフトの様々な程度を効果的に扱うのに苦労している。 モデル安定性を高めるために、小さなメモリバッファを組み込むことで、確立された自己学習フレームワークを強化する。
  論文  参考訳（メタデータ） (2023-09-18T19:34:23Z)
• Uncertainty Guided Adaptive Warping for Robust and Efficient Stereo Matching [77.133400999703]
  相関に基づくステレオマッチングは優れた性能を達成した。 固定モデルによる現在のメソッドは、さまざまなデータセットで均一に動作しない。 本稿では,ロバストなステレオマッチングのための相関を動的に計算する新しい視点を提案する。
  論文  参考訳（メタデータ） (2023-07-26T09:47:37Z)
• Boosting Low-Data Instance Segmentation by Unsupervised Pre-training with Saliency Prompt [103.58323875748427]
  この研究は、低データ体制のための新しい教師なし事前学習ソリューションを提供する。 近年のPrompting技術の成功に触発されて,QEISモデルを強化した新しい事前学習手法を導入する。 実験結果から,本手法は3つのデータセット上でのいくつかのQEISモデルを大幅に向上させることが示された。
  論文  参考訳（メタデータ） (2023-02-02T15:49:03Z)
• CLIPood: Generalizing CLIP to Out-of-Distributions [73.86353105017076]
  対照的に、CLIP(Language-image Pre-training)モデルでは、印象的なゼロショット能力を示しているが、下流タスクにおけるCLIPのさらなる適応は、OODのパフォーマンスを好ましくない劣化させる。 ドメインシフトとオープンクラスの両方が見えないテストデータ上で発生する可能性があるOOD状況にCLIPモデルを適用するための微調整手法であるCLIPoodを提案する。 さまざまなOODシナリオによるさまざまなデータセットの実験は、CLIPoodが既存の一般化テクニックを一貫して上回っていることを示している。
  論文  参考訳（メタデータ） (2023-02-02T04:27:54Z)
• MATE: Masked Autoencoders are Online 3D Test-Time Learners [63.3907730920114]
  MATEは3Dデータ用に設計された最初のTTT(Test-Time-Training)手法である。 テストデータで発生する分散シフトに対して、ポイントクラウド分類のためにトレーニングされたディープネットワークを堅牢にする。
  論文  参考訳（メタデータ） (2022-11-21T13:19:08Z)
• Incremental Online Learning Algorithms Comparison for Gesture and Visual Smart Sensors [68.8204255655161]
  本稿では,加速度センサデータに基づくジェスチャー認識と画像分類の2つの実例として,最先端の4つのアルゴリズムを比較した。 以上の結果から,これらのシステムの信頼性と小型メモリMCUへのデプロイの可能性が確認された。
  論文  参考訳（メタデータ） (2022-09-01T17:05:20Z)

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。