論文の概要: ModelNet40-E: An Uncertainty-Aware Benchmark for Point Cloud Classification

• arxiv url: http://arxiv.org/abs/2508.01269v1
• Date: Sat, 02 Aug 2025 08:57:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-05 18:25:21.795344
• Title: ModelNet40-E: An Uncertainty-Aware Benchmark for Point Cloud Classification
• Title（参考訳）: ModelNet40-E: ポイントクラウド分類のための不確かさを意識したベンチマーク
• Authors: Pedro Alonso, Tianrui Li, Chongshou Li,
• Abstract要約: 合成LiDARのような雑音下での点雲分類モデルのロバスト性および校正性を評価するための新しいベンチマークであるModelNet40-Eを紹介する。 我々は、分類精度、校正基準、不確実性認識を用いて、PointNet、DGCNN、Point Transformer v3-across multiple noise levelsの評価を行った。
• 参考スコア（独自算出の注目度）: 5.433816055788235
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We introduce ModelNet40-E, a new benchmark designed to assess the robustness and calibration of point cloud classification models under synthetic LiDAR-like noise. Unlike existing benchmarks, ModelNet40-E provides both noise-corrupted point clouds and point-wise uncertainty annotations via Gaussian noise parameters ({\sigma}, {\mu}), enabling fine-grained evaluation of uncertainty modeling. We evaluate three popular models-PointNet, DGCNN, and Point Transformer v3-across multiple noise levels using classification accuracy, calibration metrics, and uncertainty-awareness. While all models degrade under increasing noise, Point Transformer v3 demonstrates superior calibration, with predicted uncertainties more closely aligned with the underlying measurement uncertainty.
• Abstract（参考訳）: 合成LiDARのような雑音下での点雲分類モデルのロバスト性および校正性を評価するための新しいベンチマークであるModelNet40-Eを紹介する。 既存のベンチマークとは異なり、ModelNet40-Eはガウスノイズパラメータ({\sigma, {\mu})を介してノイズ崩壊点雲とポイントワイド不確実性アノテーションの両方を提供し、不確実性モデリングのきめ細かい評価を可能にする。 我々は、分類精度、校正基準、不確実性認識を用いて、PointNet、DGCNN、Point Transformer v3-across multiple noise levelsの評価を行った。 全てのモデルはノイズの増加の下で劣化するが、ポイントトランスフォーマー v3 はより優れたキャリブレーションを示し、予測された不確実性は基礎となる測定の不確実性とより密に一致している。

関連論文リスト

• Mixing Classifiers to Alleviate the Accuracy-Robustness Trade-Off [8.169499497403102]
  本稿では、標準ニューラルネットワークとロバストニューラルネットワークの出力確率を混合した理論的動機付け型定式化を提案する。 数値実験により,混合分類器は精度・損耗トレードオフを著しく改善することを確認した。
  論文  参考訳（メタデータ） (2023-11-26T02:25:30Z)
• The Benefit of Noise-Injection for Dynamic Gray-Box Model Creation [0.9208007322096533]
  モデル非線形性、非モデル力学、局所ミニマといった課題は、グレーボックスの生成に不確実性をもたらす。 本稿では,トレーニングデータセットにノイズを注入することで,これらの不確実性に対処する。
  論文  参考訳（メタデータ） (2023-10-02T18:10:21Z)
• Neural Stochastic Differential Equations for Robust and Explainable Analysis of Electromagnetic Unintended Radiated Emissions [25.174139739860657]
  本稿では,意図しない排出(Unintendeded emission, URE)分類におけるResNetのようなモデルの堅牢性と説明可能性について,包括的に評価する。 本稿では,URE分類モデル構築のためのニューラルSDEの新たな応用法を提案する。
  論文  参考訳（メタデータ） (2023-09-27T03:37:16Z)
• Volumetric Benchmarking of Quantum Computing Noise Models [3.0098885383612104]
  本稿では、量子コンピューティングアプリケーションのためのノイズモデルベンチマークのための体系的なアプローチを提案する。 ハードウェア実験の結果と、量子回路の代表集合に対するノイズモデルの予測を比較する。 また、ノイズモデルを構築し、一連のトレーニング回路を用いてパラメータを最適化する。
  論文  参考訳（メタデータ） (2023-06-14T10:49:01Z)
• How to Fix a Broken Confidence Estimator: Evaluating Post-hoc Methods for Selective Classification with Deep Neural Networks [1.4502611532302039]
  我々は,ロジットの単純な$p$-norm正規化を行い,次に最大ロジットを信頼度推定器とすることで,選択的分類性能が著しく向上することを示した。 我々の結果は、分布シフトの下で一貫していることが示されている。
  論文  参考訳（メタデータ） (2023-05-24T18:56:55Z)
• Reliability-Aware Prediction via Uncertainty Learning for Person Image Retrieval [51.83967175585896]
  UALは、データ不確実性とモデル不確実性を同時に考慮し、信頼性に配慮した予測を提供することを目的としている。 データ不確実性はサンプル固有のノイズを捕捉する」一方、モデル不確実性はサンプルの予測に対するモデルの信頼を表現している。
  論文  参考訳（メタデータ） (2022-10-24T17:53:20Z)
• PointCAT: Contrastive Adversarial Training for Robust Point Cloud Recognition [111.55944556661626]
  我々は、ポイントクラウド認識モデルの堅牢性を高めるために、PointCAT(Point-Cloud Contrastive Adversarial Training)を提案する。 我々は、教師付きコントラスト損失を利用して、認識モデルにより抽出された超球面特徴のアライメントと均一性を促進する。 より難易度の高い点雲を実現するため,認識モデルと逆向きにノイズ発生装置をスクラッチから訓練する。
  論文  参考訳（メタデータ） (2022-09-16T08:33:04Z)
• Anomaly Detection of Time Series with Smoothness-Inducing Sequential Variational Auto-Encoder [59.69303945834122]
  Smoothness-Inducing Sequential Variational Auto-Encoder (SISVAE) モデルを提案する。 我々のモデルは、フレキシブルニューラルネットワークを用いて各タイムスタンプの平均と分散をパラメータ化する。 合成データセットと公開実世界のベンチマークの両方において,本モデルの有効性を示す。
  論文  参考訳（メタデータ） (2021-02-02T06:15:15Z)
• Reduced Reference Perceptual Quality Model and Application to Rate Control for 3D Point Cloud Compression [61.110938359555895]
  レート歪み最適化では、ビットレートの制約を受ける再構成品質尺度を最大化してエンコーダ設定を決定する。 本稿では,V-PCC幾何および色量化パラメータを変数とする線形知覚品質モデルを提案する。 400個の圧縮された3D点雲による主観的品質試験の結果,提案モデルが平均評価値とよく相関していることが示唆された。 また、同じ目標ビットレートに対して、提案モデルに基づくレート歪みの最適化は、ポイント・ツー・ポイントの客観的な品質指標による徹底的な探索に基づくレート歪みの最適化よりも高い知覚品質を提供することを示した。
  論文  参考訳（メタデータ） (2020-11-25T12:42:02Z)
• Evaluating Uncertainty Estimation Methods on 3D Semantic Segmentation of Point Clouds [9.957957463532738]
  我々はDarkNet21Seg 3Dセマンティックセグメンテーションモデル上で,Deep Ensembles, MC-Dropout, MC-DropConnectの3つの不確実性定量化手法を評価する。 Deep Ensemblesは、パフォーマンスと不確実性の両方で、他の手法よりも優れています。
  論文  参考訳（メタデータ） (2020-07-03T16:22:34Z)
• Provable tradeoffs in adversarially robust classification [96.48180210364893]
  我々は、ロバストなイソペリメトリに関する確率論の最近のブレークスルーを含む、新しいツールを開発し、活用する。 この結果から,データの不均衡時に増加する標準精度とロバスト精度の基本的なトレードオフが明らかになった。
  論文  参考訳（メタデータ） (2020-06-09T09:58:19Z)
• Consistency Regularization for Certified Robustness of Smoothed Classifiers [89.72878906950208]
  最近のランダムな平滑化技術は、最悪の$ell$-robustnessを平均ケースのロバストネスに変換することができることを示している。 その結果,スムーズな分類器の精度と信頼性の高いロバスト性とのトレードオフは,ノイズに対する予測一貫性の規則化によって大きく制御できることが判明した。
  論文  参考訳（メタデータ） (2020-06-07T06:57:43Z)

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。