論文の概要: Exploiting Vision Language Model for Training-Free 3D Point Cloud OOD Detection via Graph Score Propagation

• arxiv url: http://arxiv.org/abs/2506.22375v1
• Date: Fri, 27 Jun 2025 16:42:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-30 21:12:23.289634
• Title: Exploiting Vision Language Model for Training-Free 3D Point Cloud OOD Detection via Graph Score Propagation
• Title（参考訳）: グラフスコアプロパゲーションによる3DポイントクラウドOODの学習自由度検出のための爆発的視覚言語モデル
• Authors: Tiankai Chen, Yushu Li, Adam Goodge, Fei Teng, Xulei Yang, Tianrui Li, Xun Xu,
• Abstract要約: 3Dポイントクラウドデータのアウト・オブ・ディストリビューション(OOD)検出は依然として課題である。 本稿では,視覚言語モデル(VLM)を利用した3次元点群における効果的なOOD検出のためのトレーニングフリーフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 9.886997970330926
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Out-of-distribution (OOD) detection in 3D point cloud data remains a challenge, particularly in applications where safe and robust perception is critical. While existing OOD detection methods have shown progress for 2D image data, extending these to 3D environments involves unique obstacles. This paper introduces a training-free framework that leverages Vision-Language Models (VLMs) for effective OOD detection in 3D point clouds. By constructing a graph based on class prototypes and testing data, we exploit the data manifold structure to enhancing the effectiveness of VLMs for 3D OOD detection. We propose a novel Graph Score Propagation (GSP) method that incorporates prompt clustering and self-training negative prompting to improve OOD scoring with VLM. Our method is also adaptable to few-shot scenarios, providing options for practical applications. We demonstrate that GSP consistently outperforms state-of-the-art methods across synthetic and real-world datasets 3D point cloud OOD detection.
• Abstract（参考訳）: 3Dポイントクラウドデータのアウト・オブ・ディストリビューション(OOD)検出は、特に安全で堅牢な認識が不可欠なアプリケーションでは、依然として課題である。 既存のOOD検出手法では2次元画像データの進行が見られたが、これらを3次元環境に拡張するには独自の障害が伴う。 本稿では,視覚言語モデル(VLM)を利用した3次元点群における効果的なOOD検出のためのトレーニングフリーフレームワークを提案する。 クラスプロトタイプとテストデータに基づいてグラフを構築し,データ多様体構造を利用して3次元OOD検出におけるVLMの有効性を高める。 本稿では,VLMによるOODスコア向上のために,プロンプトクラスタリングと自己学習負のプロンプトを組み込んだグラフスコア伝搬法を提案する。 また,本手法はいくつかのシナリオに適用可能で,実用的なアプリケーションのためのオプションを提供する。 GSPは、合成および実世界の3DポイントクラウドOOD検出において、最先端の手法を一貫して上回っていることを実証する。

関連論文リスト

• SODA: Out-of-Distribution Detection in Domain-Shifted Point Clouds via Neighborhood Propagation [32.375671187101716]
  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。
  論文  参考訳（メタデータ） (2025-06-27T04:05:55Z)
• GLIP-OOD: Zero-Shot Graph OOD Detection with Graph Foundation Model [43.848482407777766]
  アウト・オブ・ディストリビューション(OOD)検出は、機械学習システムの安全性と信頼性を保証するために重要である。 本研究では,グラフ基礎モデル(GFM)を利用したゼロショットグラフOOD検出の実現に向けた第一歩を踏み出す。 GLIP-OOD は LLM を用いてラベルのないデータから意味的に意味のある擬似OOD ラベルを生成するフレームワークである。
  論文  参考訳（メタデータ） (2025-04-29T21:42:54Z)
• DriveGEN: Generalized and Robust 3D Detection in Driving via Controllable Text-to-Image Diffusion Generation [49.32104127246474]
  DriveGENは、トレーニング不要のテキストから画像への拡散生成である。 様々なアウト・オブ・ディストリビューション世代にまたがる正確な3D形状のオブジェクトを一貫して保存する。
  論文  参考訳（メタデータ） (2025-03-14T06:35:38Z)
• UOD: Unseen Object Detection in 3D Point Cloud [1.6140028376674613]
  未確認物体に対する3D検出とOF-Distribution(OOD)分類の性能を向上させる手法を提案する。 提案手法は, 異常サンプル増強, 普遍的対象の学習, 未確認物体の検出の学習, 未確認物体の識別の学習を含む。 提案手法は,既存のすべての手法にまたがる大きなマージンで連続的に性能を向上する。
  論文  参考訳（メタデータ） (2024-01-08T12:16:06Z)
• Open-World Lifelong Graph Learning [7.535219325248997]
  オープンワールドシナリオにおける生涯グラフ学習の課題について検討する。 我々は、新しいクラスを認識するために、out-of-Distribution (OOD) 検出手法を利用する。 我々は,OOD検出手法とグラフ近傍から収集した情報を組み合わせることで,新しいクラス検出を行うことを提案する。
  論文  参考訳（メタデータ） (2023-10-19T08:18:10Z)
• 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)
• Triggering Failures: Out-Of-Distribution detection by learning from local adversarial attacks in Semantic Segmentation [76.2621758731288]
  セグメンテーションにおけるアウト・オブ・ディストリビューション(OOD)オブジェクトの検出に取り組む。 私たちの主な貢献は、ObsNetと呼ばれる新しいOOD検出アーキテクチャであり、ローカル・アタック(LAA)に基づく専用トレーニングスキームと関連付けられています。 3つの異なるデータセットの文献の最近の10つの手法と比較して,速度と精度の両面で最高の性能が得られることを示す。
  論文  参考訳（メタデータ） (2021-08-03T17:09:56Z)
• D3Feat: Joint Learning of Dense Detection and Description of 3D Local Features [51.04841465193678]
  私たちは3Dポイントクラウドに3D完全畳み込みネットワークを活用しています。 本稿では,3次元点ごとに検出スコアと記述特徴の両方を密に予測する,新しい,実践的な学習機構を提案する。 本手法は,屋内と屋外の両方のシナリオで最先端の手法を実現する。
  論文  参考訳（メタデータ） (2020-03-06T12:51:09Z)
• SESS: Self-Ensembling Semi-Supervised 3D Object Detection [138.80825169240302]
  具体的には、ラベルのない新しい未知のデータに基づくネットワークの一般化を促進するための、徹底的な摂動スキームを設計する。 我々のSESSは、50%のラベル付きデータを用いて、最先端の完全教師付き手法と比較して、競争性能を達成している。
  論文  参考訳（メタデータ） (2019-12-26T08:48:04Z)

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。