論文の概要: Efficient Active Training for Deep LiDAR Odometry

• arxiv url: http://arxiv.org/abs/2509.03211v1
• Date: Wed, 03 Sep 2025 11:00:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-04 21:40:46.490513
• Title: Efficient Active Training for Deep LiDAR Odometry
• Title（参考訳）: 深部LiDARオドメトリーの能動訓練
• Authors: Beibei Zhou, Zhiyuan Zhang, Zhenbo Song, Jianhui Guo, Hui Kong,
• Abstract要約: 多様な環境から学習データを選択的に抽出するアクティブトレーニングフレームワークを提案する。 我々のフレームワークは、初期訓練セット選択(ITSS)とアクティブインクリメンタル選択(AIS)の2つの主要な戦略に基づいている。
• 参考スコア（独自算出の注目度）: 10.475660322512878
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Robust and efficient deep LiDAR odometry models are crucial for accurate localization and 3D reconstruction, but typically require extensive and diverse training data to adapt to diverse environments, leading to inefficiencies. To tackle this, we introduce an active training framework designed to selectively extract training data from diverse environments, thereby reducing the training load and enhancing model generalization. Our framework is based on two key strategies: Initial Training Set Selection (ITSS) and Active Incremental Selection (AIS). ITSS begins by breaking down motion sequences from general weather into nodes and edges for detailed trajectory analysis, prioritizing diverse sequences to form a rich initial training dataset for training the base model. For complex sequences that are difficult to analyze, especially under challenging snowy weather conditions, AIS uses scene reconstruction and prediction inconsistency to iteratively select training samples, refining the model to handle a wide range of real-world scenarios. Experiments across datasets and weather conditions validate our approach's effectiveness. Notably, our method matches the performance of full-dataset training with just 52\% of the sequence volume, demonstrating the training efficiency and robustness of our active training paradigm. By optimizing the training process, our approach sets the stage for more agile and reliable LiDAR odometry systems, capable of navigating diverse environmental conditions with greater precision.
• Abstract（参考訳）: ロバストで効率的な深部LiDARオドメトリーモデルは正確な位置決めと3D再構成には不可欠であるが、様々な環境に適応するためには、広範囲で多様なトレーニングデータが必要である。 そこで本研究では,多様な環境からトレーニングデータを選択的に抽出し,トレーニング負荷を低減し,モデル一般化を向上するアクティブトレーニングフレームワークを提案する。 本フレームワークは,ITSS(Initial Training Set Selection)とAIS(Active Incremental Selection)の2つの主要な戦略に基づいている。 ITSSは、一般的な天気からの動作シーケンスをノードとエッジに分割して詳細な軌道分析を行い、多様なシーケンスを優先順位付けし、ベースモデルをトレーニングするためのリッチな初期トレーニングデータセットを形成する。 複雑なシーケンスの解析が困難な場合、特に雪の降る気候条件下では、AISはシーン再構成と予測の不整合を利用してトレーニングサンプルを反復的に選択し、広範囲の現実世界シナリオを扱うためにモデルを精査する。 データセットと気象条件による実験は、我々のアプローチの有効性を検証する。 特に,本手法は,実効訓練パラダイムのトレーニング効率とロバスト性を実証し,全データセットトレーニングのパフォーマンスとシーケンスボリュームの52 %とを一致させる。 トレーニングプロセスの最適化により、よりアジャイルで信頼性の高いLiDARオドメトリーシステムのステージを設定し、より高精度で多様な環境条件をナビゲートできる。

関連論文リスト

• AdaLRS: Loss-Guided Adaptive Learning Rate Search for Efficient Foundation Model Pretraining [12.630306478872043]
  オンライン最適学習率探索を行うプラグイン・アンド・プレイ適応学習率探索アルゴリズムである textbfAdaLRS を提案する。 実験により,AdaLRSは最適近傍の最適学習率を顕著な効率と有効性で調整することが示された。
  論文  参考訳（メタデータ） (2025-06-16T09:14:01Z)
• Optimizing ML Training with Metagradient Descent [69.89631748402377]
  モデルトレーニングによる勾配というメタグラディエントを,大規模に効率的に計算するアルゴリズムを導入する。 次に、メタグラディエントを用いた効果的な最適化を可能にする「滑らかなモデルトレーニング」フレームワークを導入する。
  論文  参考訳（メタデータ） (2025-03-17T22:18:24Z)
• Task-Oriented Pre-Training for Drivable Area Detection [5.57325257338134]
  本稿では,冗長なセグメンテーションの提案から始まるタスク指向の事前学習手法を提案する。 次に、コントラスト言語画像事前学習(CLIP)モデルを微調整するための特定カテゴリー強化微調整(SCEF)戦略を導入する。 このアプローチは、手動のアノテートデータを使用してさらに微調整された事前学習モデルの粗いトレーニングデータを生成することができる。
  論文  参考訳（メタデータ） (2024-09-30T10:25:47Z)
• Take the Bull by the Horns: Hard Sample-Reweighted Continual Training Improves LLM Generalization [165.98557106089777]
  大きな言語モデル(LLM)の能力を高めることが大きな課題だ。 本研究は,従来の事前学習データセットを用いたLCMの光連続訓練に関する実証的戦略から始まった。 次に、この戦略をインスタンス重み付け分散ロバスト最適化の原則化されたフレームワークに定式化します。
  論文  参考訳（メタデータ） (2024-02-22T04:10:57Z)
• Architecture, Dataset and Model-Scale Agnostic Data-free Meta-Learning [117.48444197402858]
  データフリーメタトレーニングにおけるePisode cUrriculum inversion(ECI)と、内部ループ後のinvErsion calibRation(ICFIL)を提案する。 ECIは、メタモデルのリアルタイムフィードバックに応じて、擬似エピソードの難易度を適応的に増加させる。 本稿では,ECIを用いたメタトレーニングの最適化過程を,エンド・ツー・エンド方式で近似形式として定式化する。
  論文  参考訳（メタデータ） (2023-03-20T15:10:41Z)

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。