論文の概要: SODA: Out-of-Distribution Detection in Domain-Shifted Point Clouds via Neighborhood Propagation

• arxiv url: http://arxiv.org/abs/2506.21892v1
• Date: Fri, 27 Jun 2025 04:05:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-30 21:12:23.079831
• Title: SODA: Out-of-Distribution Detection in Domain-Shifted Point Clouds via Neighborhood Propagation
• Title（参考訳）: SODA:近傍伝播による領域シフト点雲の分布外検出
• Authors: Adam Goodge, Xun Xu, Bryan Hooi, Wee Siong Ng, Jingyi Liao, Yongyi Su, Xulei Yang,
• Abstract要約: 我々は,ポイントクラウドオブジェクトにおけるOOD検出のための3次元視覚言語モデルの進歩を活用している。 大きな課題は、画像ベースのデータセットに比べて、ポイントクラウドデータセットのサイズとオブジェクトの多様性が大幅に小さいことです。 そこで本研究では,OOD点群の検出を近隣のスコア伝搬方式により改善するSODAと呼ばれる新しい手法を提案する。
• 参考スコア（独自算出の注目度）: 32.375671187101716
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: As point cloud data increases in prevalence in a variety of applications, the ability to detect out-of-distribution (OOD) point cloud objects becomes critical for ensuring model safety and reliability. However, this problem remains under-explored in existing research. Inspired by success in the image domain, we propose to exploit advances in 3D vision-language models (3D VLMs) for OOD detection in point cloud objects. However, a major challenge is that point cloud datasets used to pre-train 3D VLMs are drastically smaller in size and object diversity than their image-based counterparts. Critically, they often contain exclusively computer-designed synthetic objects. This leads to a substantial domain shift when the model is transferred to practical tasks involving real objects scanned from the physical environment. In this paper, our empirical experiments show that synthetic-to-real domain shift significantly degrades the alignment of point cloud with their associated text embeddings in the 3D VLM latent space, hindering downstream performance. To address this, we propose a novel methodology called SODA which improves the detection of OOD point clouds through a neighborhood-based score propagation scheme. SODA is inference-based, requires no additional model training, and achieves state-of-the-art performance over existing approaches across datasets and problem settings.
• Abstract（参考訳）: 様々なアプリケーションにおいてポイントクラウドデータが普及するにつれて、モデルの安全性と信頼性を確保するために、アウト・オブ・ディストリビューション(OOD)ポイントクラウドオブジェクトを検出する能力が重要になる。 しかし、この問題は既存の研究では未解明のままである。 画像領域の成功に触発されて,3次元視覚言語モデル(3次元VLM)の進歩を活用して,点クラウドオブジェクトにおけるOOD検出を提案する。 しかし、大きな課題は、3D VLMの事前トレーニングに使用されるポイントクラウドデータセットが、画像ベースのデータセットよりも、サイズとオブジェクトの多様性が大幅に小さくなっていることです。 重要な点として、それらはしばしばコンピュータで設計された合成オブジェクトのみを含む。 これは、モデルが物理的環境からスキャンされた実際のオブジェクトを含む実践的なタスクに移されるときに、かなりのドメインシフトをもたらす。 本稿では,3次元VLMラテント空間において,合成領域から実領域へのシフトが点雲のアライメントと関連するテキストの埋め込みを著しく低下させ,下流の性能を損なうことを示す。 そこで本研究では,近辺のスコア伝搬方式を用いて,OOD点群の検出を改善するSODAと呼ばれる新しい手法を提案する。 SODAは推論に基づいており、追加のモデルトレーニングを必要としない。

関連論文リスト

• Topology-Aware Modeling for Unsupervised Simulation-to-Reality Point Cloud Recognition [63.55828203989405]
  我々はオブジェクトポイントクラウド上でSim2Real UDAのための新しいTopology-Aware Modeling (TAM)フレームワークを紹介する。 提案手法は,低レベルの高周波3次元構造を特徴とするグローバル空間トポロジを利用して,領域間隙を緩和する。 本稿では,クロスドメイン・コントラスト学習と自己学習を組み合わせた高度な自己学習戦略を提案する。
  論文  参考訳（メタデータ） (2025-06-26T11:53:59Z)
• DG-MVP: 3D Domain Generalization via Multiple Views of Point Clouds for Classification [10.744510913722817]
  ディープニューラルネットワークは3Dポイントクラウド分類において大きな成功を収めている。 本稿では,3次元クラウド領域の一般化問題に焦点をあてる。 本稿では,3次元点雲領域の一般化手法を提案する。
  論文  参考訳（メタデータ） (2025-04-16T19:43:32Z)
• Robust Unsupervised Domain Adaptation for 3D Point Cloud Segmentation Under Source Adversarial Attacks [9.578322021478426]
  非教師なしドメイン適応(UDA)フレームワークは、クリーンデータ上での3Dポイントクラウドセマンティックセグメンテーションモデルの優れた一般化機能を示している。 本研究では, 点雲面に小さな摂動しか持たないデータセットを著しく汚染できるステルス対向点雲発生攻撃を提案する。 生成されたデータにより、我々はさらに対策としてAdversarial Adaptation Framework(AAF)を開発する。
  論文  参考訳（メタデータ） (2025-04-02T12:11:34Z)
• StarNet: Style-Aware 3D Point Cloud Generation [82.30389817015877]
  StarNetは、マッピングネットワークを使用して高忠実度および3Dポイントクラウドを再構築し、生成することができる。 我々のフレームワークは、クラウドの再構築と生成タスクにおいて、様々なメトリクスで同等の最先端のパフォーマンスを達成します。
  論文  参考訳（メタデータ） (2023-03-28T08:21:44Z)
• AGO-Net: Association-Guided 3D Point Cloud Object Detection Network [86.10213302724085]
  ドメイン適応によるオブジェクトの無傷な特徴を関連付ける新しい3D検出フレームワークを提案する。 我々は,KITTIの3D検出ベンチマークにおいて,精度と速度の両面で最新の性能を実現する。
  論文  参考訳（メタデータ） (2022-08-24T16:54:38Z)
• Learning-based Point Cloud Registration for 6D Object Pose Estimation in the Real World [55.7340077183072]
  我々は、ポイントクラウドデータからオブジェクトの6Dポーズを推定するタスクに取り組む。 この課題に対処する最近の学習ベースのアプローチは、合成データセットにおいて大きな成功を収めている。 これらの障害の原因を分析し、ソースとターゲットポイントの雲の特徴分布の違いに遡る。
  論文  参考訳（メタデータ） (2022-03-29T07:55:04Z)
• Pseudo-LiDAR Point Cloud Interpolation Based on 3D Motion Representation and Spatial Supervision [68.35777836993212]
  我々はPseudo-LiDAR点雲ネットワークを提案し、時間的および空間的に高品質な点雲列を生成する。 点雲間のシーンフローを活用することにより,提案ネットワークは3次元空間運動関係のより正確な表現を学習することができる。
  論文  参考訳（メタデータ） (2020-06-20T03:11:04Z)
• Associate-3Ddet: Perceptual-to-Conceptual Association for 3D Point Cloud Object Detection [64.2159881697615]
  3Dポイント雲からの物体検出は依然として難しい課題だが、最近の研究ではディープラーニング技術によって封筒を推し進めている。 本稿では,特徴表現の堅牢性を高めるために,ドメイン適応のようなアプローチを提案する。 我々の単純で効果的なアプローチは、3Dポイントクラウドオブジェクト検出の性能を根本的に向上させ、最先端の結果を達成する。
  論文  参考訳（メタデータ） (2020-06-08T05:15:06Z)

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。