論文の概要: Finding Outliers in a Haystack: Anomaly Detection for Large Pointcloud Scenes

• arxiv url: http://arxiv.org/abs/2508.17634v2
• Date: Tue, 26 Aug 2025 07:01:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-27 13:17:04.074383
• Title: Finding Outliers in a Haystack: Anomaly Detection for Large Pointcloud Scenes
• Title（参考訳）: ヘイスタック内の異常点発見:大規模クラウドシーンの異常検出
• Authors: Ryan Faulkner, Luke Haub, Simon Ratcliffe, Tat-Jun Chin,
• Abstract要約: 我々は、屋外シーンのオープンセットセグメンテーションのタスクに対して、再構築に基づくアプローチを作成する。 提案手法は,我々のオープンセットセグメンテーション法に適用した場合だけでなく,既存の手法にも適用した場合にも性能が向上することを示す。 我々は,既存のボクセル・コンボリューション・ベースの手法と競合するMambaベースのアーキテクチャを,挑戦的かつ大規模なポイントクラウドに貢献する。
• 参考スコア（独自算出の注目度）: 11.583781348999828
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: LiDAR scanning in outdoor scenes acquires accurate distance measurements over wide areas, producing large-scale point clouds. Application examples for this data include robotics, automotive vehicles, and land surveillance. During such applications, outlier objects from outside the training data will inevitably appear. Our research contributes a novel approach to open-set segmentation, leveraging the learnings of object defect-detection research. We also draw on the Mamba architecture's strong performance in utilising long-range dependencies and scalability to large data. Combining both, we create a reconstruction based approach for the task of outdoor scene open-set segmentation. We show that our approach improves performance not only when applied to our our own open-set segmentation method, but also when applied to existing methods. Furthermore we contribute a Mamba based architecture which is competitive with existing voxel-convolution based methods on challenging, large-scale pointclouds.
• Abstract（参考訳）: 屋外シーンにおけるLiDARスキャンは、広範囲にわたる正確な距離測定を取得し、大規模な点雲を発生させる。 このデータの応用例としては、ロボット工学、自動車、陸地監視などがある。 このようなアプリケーションでは、トレーニングデータの外部からの外れ値オブジェクトが必然的に現れます。 本研究は,オブジェクト欠陥検出研究の学習を生かして,オープンセットセグメンテーションへの新たなアプローチに寄与する。 また、長距離の依存関係とスケーラビリティを大規模データに活用する上で、Mambaアーキテクチャの強力なパフォーマンスにも着目しています。 両者を組み合わせることで、屋外シーンのオープンセットセグメンテーションのタスクに対する再構成に基づくアプローチを作成する。 提案手法は,我々のオープンセットセグメンテーション法に適用した場合だけでなく,既存の手法にも適用した場合にも性能が向上することを示す。 さらに,既存のボクセル・コンボリューション・ベースの手法と競合するMambaベースのアーキテクチャを,大規模で挑戦的なポイントクラウドに提供します。

関連論文リスト

• OptiGait-LGBM: An Efficient Approach of Gait-based Person Re-identification in Non-Overlapping Regions [0.26388783516590225]
  骨格モデルを用いて人物の再識別が可能なOptiGait-LGBMモデルを提案する。 複雑な屋外環境において、制御されていない歩行シーケンスを表現するために、ベンチマークデータセットRUET-GAITが導入された。 本研究の目的は,既存の手法と比較して計算コストを最小化して,上記の課題に対処することである。
  論文  参考訳（メタデータ） (2025-05-10T08:28:57Z)
• 3D-CDRGP: Towards Cross-Device Robotic Grasping Policy in 3D Open World [20.406334587479623]
  デバイス間の研究は緊急の課題となり、取り組まなければならない。 私たちは、3Dオープンワールドにおけるクロスデバイス(カメラとロボティクス)の把握政策の先駆者です。 SSGC-Segモジュールは,カテゴリに依存しない3Dオブジェクト検出を可能にする。
  論文  参考訳（メタデータ） (2024-11-27T08:23:28Z)
• Label-Efficient 3D Object Detection For Road-Side Units [10.663986706501188]
  協調的知覚は、インテリジェント・ロードサイド・ユニット(RSU)との深部情報融合による自動運転車の知覚を高める これらの手法は、特に注釈付きRSUデータを必要とするため、実際のデプロイメントにおいて大きなハードルを生んでいる。 教師なしオブジェクト発見に基づくRSUのためのラベル効率の高いオブジェクト検出手法を考案する。
  論文  参考訳（メタデータ） (2024-04-09T12:29:16Z)
• Open-Vocabulary Camouflaged Object Segmentation [66.94945066779988]
  OVCOS(Open-vocabulary camouflaged Object segmentation)を導入した。 我々は11,483個の手選択画像とそれに対応するオブジェクトクラスを含む大規模複合シーンデータセット(textbfOVCamo)を構築した。 クラスセマンティック知識の指導とエッジ情報と深度情報からの視覚構造的手がかりの補足を統合することにより、提案手法は効率よくカモフラージュされたオブジェクトを捕捉できる。
  論文  参考訳（メタデータ） (2023-11-19T06:00:39Z)
• Weakly-supervised Contrastive Learning for Unsupervised Object Discovery [52.696041556640516]
  ジェネリックな方法でオブジェクトを発見できるため、教師なしのオブジェクト発見は有望である。 画像から高レベルな意味的特徴を抽出する意味誘導型自己教師学習モデルを設計する。 オブジェクト領域のローカライズのための主成分分析(PCA)を導入する。
  論文  参考訳（メタデータ） (2023-07-07T04:03:48Z)
• TrueDeep: A systematic approach of crack detection with less data [0.0]
  ドメイン知識をディープラーニングアーキテクチャと組み合わせることで、少ないデータで同様のパフォーマンスを実現することができることを示す。 我々のアルゴリズムは、全データの23%で開発され、テストデータ上でも同様の性能を持ち、複数の盲点データセット上では大幅に性能が向上した。
  論文  参考訳（メタデータ） (2023-05-30T14:51:58Z)
• Retrieval and Localization with Observation Constraints [12.010135672015704]
  RLOCSと呼ばれる視覚的再局在化手法を提案する。 画像検索、意味整合性、幾何学的検証を組み合わせて正確な推定を行う。 本手法は, ローカライゼーションベンチマークにおいて多くの性能向上を実現している。
  論文  参考訳（メタデータ） (2021-08-19T06:14:33Z)
• Batch Exploration with Examples for Scalable Robotic Reinforcement Learning [63.552788688544254]
  BEE(Batch Exploration with Examples)は、重要状態の画像の少ない数の人間がガイドする状態空間の関連領域を探索する。 BEEは、シミュレーションと本物のフランカロボットの両方で、視覚ベースの操作に挑戦することができる。
  論文  参考訳（メタデータ） (2020-10-22T17:49:25Z)
• SoDA: Multi-Object Tracking with Soft Data Association [75.39833486073597]
  マルチオブジェクトトラッキング(MOT)は、自動運転車の安全な配備の前提条件である。 観測対象間の依存関係をエンコードするトラック埋め込みの計算に注目するMOTに対する新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2020-08-18T03:40:25Z)

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。