論文の概要: Cross-Dataset Semantic Segmentation Performance Analysis: Unifying NIST Point Cloud City Datasets for 3D Deep Learning

• arxiv url: http://arxiv.org/abs/2508.00822v1
• Date: Fri, 01 Aug 2025 17:59:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-04 18:08:53.979689
• Title: Cross-Dataset Semantic Segmentation Performance Analysis: Unifying NIST Point Cloud City Datasets for 3D Deep Learning
• Title（参考訳）: クロスデータセットセマンティックセマンティックセマンティックセグメンテーションパフォーマンス分析:3DディープラーニングのためのNISTポイントクラウドシティデータセットの統合
• Authors: Alexander Nikitas Dimopoulos, Joseph Grasso,
• Abstract要約: 本研究では、公共安全アプリケーションに関連する異種ラベル付きポイントクラウドデータセット間のセマンティックセマンティックセマンティクス性能を解析する。 主な課題は、ラベル付きデータ不足、データセット間でクラスラベルを統一することの難しさ、標準化の必要性である。
• 参考スコア（独自算出の注目度）: 49.1574468325115
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This study analyzes semantic segmentation performance across heterogeneously labeled point-cloud datasets relevant to public safety applications, including pre-incident planning systems derived from lidar scans. Using NIST's Point Cloud City dataset (Enfield and Memphis collections), we investigate challenges in unifying differently labeled 3D data. Our methodology employs a graded schema with the KPConv architecture, evaluating performance through IoU metrics on safety-relevant features. Results indicate performance variability: geometrically large objects (e.g. stairs, windows) achieve higher segmentation performance, suggesting potential for navigational context, while smaller safety-critical features exhibit lower recognition rates. Performance is impacted by class imbalance and the limited geometric distinction of smaller objects in typical lidar scans, indicating limitations in detecting certain safety-relevant features using current point-cloud methods. Key identified challenges include insufficient labeled data, difficulties in unifying class labels across datasets, and the need for standardization. Potential directions include automated labeling and multi-dataset learning strategies. We conclude that reliable point-cloud semantic segmentation for public safety necessitates standardized annotation protocols and improved labeling techniques to address data heterogeneity and the detection of small, safety-critical elements.
• Abstract（参考訳）: 本研究は、ライダースキャンから導出される事故前計画システムを含む、公共安全アプリケーションに関連する異種ラベル付きポイントクラウドデータセット間の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性能を解析する。 NISTのPoint Cloud Cityデータセット(EnfieldとMemphisのコレクション)を用いて、異なるラベル付き3Dデータを統一する際の課題を調査する。 提案手法では,KPConvアーキテクチャを用いたグレードスキーマを用いて,安全関連機能に関するIoUメトリクスによる性能評価を行う。 幾何的に大きな物体(例えば階段や窓)はより高いセグメンテーション性能を達成し、ナビゲーションのコンテキストの可能性を示唆する一方、より小さな安全クリティカルな特徴はより低い認識率を示す。 性能は、クラス不均衡と典型的なライダースキャンにおける小さな物体の幾何学的区別によって影響を受け、現在のポイントクラウド法による特定の安全関連特徴の検出の限界を示す。 主な課題は、ラベル付きデータ不足、データセット間でクラスラベルを統一することの難しさ、標準化の必要性である。 潜在的な方向性には、自動ラベリングとマルチデータセット学習戦略が含まれる。 我々は、安全のための信頼性の高い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ックセマンティクスは、データの不均一性に対処するための標準化されたアノテーションプロトコルとラベリング技術の改善を必要としていると結論付けた。

関連論文リスト

• Extending Dataset Pruning to Object Detection: A Variance-based Approach [0.0]
  本稿では,オブジェクト検出領域への分類プルーニング手法の最初の拡張について述べる。 可変ベース予測スコア(VPS)と呼ばれる新しいスコアリング手法を含む、最適化された解を提案する。 私たちのワークブリッジは、データセットのプルーニングとオブジェクト検出、複雑なビジョンタスクにおけるデータセットプルーニングの道を開くものです。
  論文  参考訳（メタデータ） (2025-05-22T19:46:51Z)
• Collaborative Feature-Logits Contrastive Learning for Open-Set Semi-Supervised Object Detection [75.02249869573994]
  オープンセットのシナリオでは、ラベルなしデータセットには、イン・ディストリビューション(ID)クラスとアウト・オブ・ディストリビューション(OOD)クラスの両方が含まれている。 このような設定で半教師付き検出器を適用すると、OODクラスをIDクラスとして誤分類する可能性がある。 我々は、CFL-Detector(Collaborative Feature-Logits Detector)と呼ばれるシンプルで効果的な方法を提案する。
  論文  参考訳（メタデータ） (2024-11-20T02:57:35Z)
• A Data-efficient Framework for Robotics Large-scale LiDAR Scene Parsing [10.497309421830671]
  既存の最先端の3Dポイントクラウド理解手法は、完全に教師された方法でのみうまく機能する。 この研究は、ラベルが制限されているときのポイントクラウドを理解するための、汎用的でシンプルなフレームワークを提示している。
  論文  参考訳（メタデータ） (2023-12-03T02:38:51Z)
• Hierarchical Point-based Active Learning for Semi-supervised Point Cloud Semantic Segmentation [48.40853126077237]
  大規模ポイントクラウドデータをポイントワイドラベルで取得することは、労働集約的だ。 アクティブラーニングは、この目的を達成するための効果的な戦略の1つだが、まだ探索されていない。 本稿では,階層的なポイントベースアクティブラーニング戦略を開発する。
  論文  参考訳（メタデータ） (2023-08-22T03:52:05Z)
• GaIA: Graphical Information Gain based Attention Network for Weakly Supervised Point Cloud Semantic Segmentation [2.796057369371464]
  本研究の目的は, エントロピーによって測定される不確実性を, 正確にセマンティックセグメンテーションのために低減することである。 信頼性情報に基づいて各点のエントロピーを緩和するGaIAと呼ばれるグラフィカル情報ゲインに基づくアテンションネットワークを提案する。 S3DISとScanNet-v2データセットの実験結果は、我々のフレームワークが既存の弱教師付き手法よりも優れていることを示している。
  論文  参考訳（メタデータ） (2022-10-02T08:37:16Z)
• SASA: Semantics-Augmented Set Abstraction for Point-based 3D Object Detection [78.90102636266276]
  SASA(Semantics-Augmented Set Abstraction)と呼ばれる新しい集合抽象化手法を提案する。 そこで本研究では, 推定点前景スコアに基づいて, より重要な前景点の維持を支援するセマンティックス誘導点サンプリングアルゴリズムを提案する。 実際には、SASAは、前景オブジェクトに関連する貴重な点を識別し、ポイントベースの3D検出のための特徴学習を改善するのに有効である。
  論文  参考訳（メタデータ） (2022-01-06T08:54:47Z)
• A new weakly supervised approach for ALS point cloud semantic segmentation [1.4620086904601473]
  本稿では,ALS点雲のセマンティックセグメンテーションのための,ディープラーニングに基づく弱教師付きフレームワークを提案する。 不完全でスパースなラベルの対象となるラベルのないデータから潜在的情報を利用する。 本手法は, 総合精度が83.0%, 平均F1スコアが70.0%であり, それぞれ6.9%, 12.8%増加した。
  論文  参考訳（メタデータ） (2021-10-04T14:00:23Z)
• 3D Spatial Recognition without Spatially Labeled 3D [127.6254240158249]
  Weakly-supervised framework for Point cloud Recognitionを紹介する。 We show that WyPR can detected and segment objects in point cloud data without access any space labels at training time。
  論文  参考訳（メタデータ） (2021-05-13T17:58:07Z)
• SegmentMeIfYouCan: A Benchmark for Anomaly Segmentation [111.61261419566908]
  ディープニューラルネットワーク(DNN)は通常、閉集合のセマンティッククラスで訓練される。 未発見のオブジェクトを扱うには不備だ。 このような物体の検出と局在化は、自動運転の認識などの安全クリティカルなアプリケーションに不可欠です。
  論文  参考訳（メタデータ） (2021-04-30T07:58:19Z)

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。