論文の概要: Offline Auto Labeling: BAAS

• arxiv url: http://arxiv.org/abs/2508.09585v1
• Date: Wed, 13 Aug 2025 07:58:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-14 20:42:00.804531
• Title: Offline Auto Labeling: BAAS
• Title（参考訳）: オフラインの自動車ラベル:BAAS
• Authors: Stefan Haag, Bharanidhar Duraisamy, Felix Govaers, Wolfgang Koch, Martin Fritzsche, Juergen Dickmann,
• Abstract要約: BAASは、新しい拡張オブジェクト追跡(EOT)と、自動運転におけるレーダー検出のためのフュージョンベースのラベルアノテーションフレームワークである。 本フレームワークはベイズに基づく追跡, 平滑化, そして最終的に融合法を用いて, 検証可能な精度の高い物体軌跡を提供する。
• 参考スコア（独自算出の注目度）: 0.1979158763744267
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: This paper introduces BAAS, a new Extended Object Tracking (EOT) and fusion-based label annotation framework for radar detections in autonomous driving. Our framework utilizes Bayesian-based tracking, smoothing and eventually fusion methods to provide veritable and precise object trajectories along with shape estimation to provide annotation labels on the detection level under various supervision levels. Simultaneously, the framework provides evaluation of tracking performance and label annotation. If manually labeled data is available, each processing module can be analyzed independently or combined with other modules to enable closed-loop continuous improvements. The framework performance is evaluated in a challenging urban real-world scenario in terms of tracking performance and the label annotation errors. We demonstrate the functionality of the proposed approach for varying dynamic objects and class types
• Abstract（参考訳）: 本稿では,新しい拡張対象追跡(EOT)フレームワークであるBAASと,自律走行におけるレーダ検出のためのフュージョンベースのラベルアノテーションフレームワークを紹介する。 本フレームワークはベイズに基づく追跡, 平滑化, 最終的には融合法を用いて, 精度の高い物体軌跡と形状推定を行い, 様々な監督レベルにおける検出レベルのアノテーションラベルを提供する。 同時に、このフレームワークは、トラッキングパフォーマンスとラベルアノテーションの評価を提供する。 手動でラベル付けされたデータが利用可能であれば、各処理モジュールを独立して分析したり、他のモジュールと組み合わせて、クローズドループの継続的改善を可能にすることができる。 フレームワークのパフォーマンスは、性能の追跡とラベルのアノテーションエラーの観点から、挑戦的な都市現実のシナリオで評価される。 動的オブジェクトやクラスタイプの変化に対する提案手法の機能を示す。

関連論文リスト

• Decoupled Spatio-Temporal Consistency Learning for Self-Supervised Tracking [12.910676293067231]
  ボックスアノテーションを不要にするために,textbftrackerというセルフスーパービジョントラッキングフレームワークを提案する。 GOT10K, LaSOT, TrackingNetデータセットのAUC(AO)スコアが25.3%, 20.4%, 14.8%向上した。
  論文  参考訳（メタデータ） (2025-07-29T09:04:03Z)
• UNIT: Unsupervised Online Instance Segmentation through Time [69.2787246878521]
  クラスに依存しないオンラインインスタンスのセグメンテーションとトラッキングの問題に対処する。 オブジェクトのオンライントラッキングを可能にする新しいトレーニングレシピを提案する。 我々のネットワークは擬似ラベルで訓練されており、手動のアノテーションは不要である。
  論文  参考訳（メタデータ） (2024-09-12T09:47:45Z)
• SeFlow: A Self-Supervised Scene Flow Method in Autonomous Driving [18.88208422580103]
  連続したLiDARスキャンで各点における3次元運動を予測する。 現在の最先端の手法は、シーンフローネットワークをトレーニングするために注釈付きデータを必要とする。 本研究では,効率的な動的分類を学習に基づくシーンフローパイプラインに統合するSeFlowを提案する。
  論文  参考訳（メタデータ） (2024-07-01T18:22:54Z)
• Labeling Indoor Scenes with Fusion of Out-of-the-Box Perception Models [4.157013247909771]
  ボトムアップセグメンテーション(SAM)、オブジェクト検出(Detic)、セマンティックセグメンテーション(MaskFormer)の最先端モデルを活用することを提案する。 室内環境におけるセマンティックセグメンテーションとオブジェクトインスタンス検出のための擬似ラベルを得るための,コスト効率の高いラベリング手法を開発することを目的とする。 提案手法の有効性を,Active VisionデータセットとADE20Kデータセットに示す。
  論文  参考訳（メタデータ） (2023-11-17T21:58:26Z)
• LabelFormer: Object Trajectory Refinement for Offboard Perception from LiDAR Point Clouds [37.87496475959941]
  オフボード認識モデルは、生のLiDARポイントクラウドからアノテーションを自動的に生成するように訓練されている。 本稿では,単純で効率的かつ効果的な軌道レベルの改良手法である LabelFormer を提案する。 提案手法はまず,まず各フレームの観察を別々に符号化し,その後,時間的文脈の完全な軌跡を判断するために自己注意を利用する。
  論文  参考訳（メタデータ） (2023-11-02T17:56:06Z)
• End-to-end Tracking with a Multi-query Transformer [96.13468602635082]
  マルチオブジェクトトラッキング(MOT)は、時間とともにシーン内のオブジェクトの位置、外観、アイデンティティを同時に推論する必要がある課題である。 本研究の目的は、トラッキング・バイ・ディテクト・アプローチを超えて、未知のオブジェクト・クラスに対してもよく機能するクラスに依存しないトラッキングへと移行することである。
  論文  参考訳（メタデータ） (2022-10-26T10:19:37Z)
• Omni-DETR: Omni-Supervised Object Detection with Transformers [165.4190908259015]
  我々は、ラベルなし、完全ラベル付き、弱ラベル付きアノテーションを使用できるOmni教師付きオブジェクト検出の問題を考察する。 この統一アーキテクチャの下では、異なる種類の弱いラベルを利用して正確な擬似ラベルを生成することができる。 弱いアノテーションは検出性能を向上させるのに役立ち、それらの混合はアノテーションのコストと精度のトレードオフを改善することができる。
  論文  参考訳（メタデータ） (2022-03-30T06:36:09Z)
• End-to-End Multi-Object Tracking with Global Response Map [23.755882375664875]
  画像シーケンス/映像を入力とし、学習対象の位置と追跡対象を直接出力する、完全にエンドツーエンドのアプローチを提案する。 具体的には,提案した多目的表現戦略により,グローバル応答マップをフレーム上で正確に生成することができる。 MOT16 と MOT17 のベンチマークによる実験結果から,提案したオンライントラッカーは,いくつかのトラッキング指標において最先端の性能を達成した。
  論文  参考訳（メタデータ） (2020-07-13T12:30:49Z)
• AutoAssign: Differentiable Label Assignment for Dense Object Detection [94.24431503373884]
  Auto COCOは、物体検出のためのアンカーフリー検出器である。 外観認識は、完全に微分可能な重み付け機構によって実現される。 我々の最良のモデルでは52.1%のAPが達成され、既存の1段検出器よりも優れている。
  論文  参考訳（メタデータ） (2020-07-07T14:32:21Z)
• UniT: Unified Knowledge Transfer for Any-shot Object Detection and Segmentation [52.487469544343305]
  オブジェクト検出とセグメンテーションの方法は、トレーニングのための大規模インスタンスレベルのアノテーションに依存します。 本稿では,直感的かつ統一的な半教師付きモデルを提案する。
  論文  参考訳（メタデータ） (2020-06-12T22:45:47Z)
• EHSOD: CAM-Guided End-to-end Hybrid-Supervised Object Detection with Cascade Refinement [53.69674636044927]
  本稿では,エンド・ツー・エンドのハイブリッド型オブジェクト検出システムであるEHSODについて述べる。 完全なアノテートと弱いアノテートの両方で、ワンショットでトレーニングすることができる。 完全なアノテートされたデータの30%しか持たない複数のオブジェクト検出ベンチマークで、同等の結果が得られる。
  論文  参考訳（メタデータ） (2020-02-18T08:04:58Z)

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。