Fugu-MT 論文翻訳(概要): Label-Efficient Grasp Joint Prediction with Point-JEPA

論文の概要: Label-Efficient Grasp Joint Prediction with Point-JEPA

arxiv url: http://arxiv.org/abs/2509.13349v2
Date: Thu, 25 Sep 2025 14:40:32 GMT
ステータス: 翻訳完了
システム内更新日: 2025-09-26 14:16:56.07007
Title: Label-Efficient Grasp Joint Prediction with Point-JEPA
Title（参考訳）: 点JEPAを用いたラベル効率の良いグラフ関節予測
Authors: Jed Guzelkabaagac, Boris Petrović,
Abstract要約: Point-JEPAによる3次元自己教師付き事前トレーニングにより,ラベル効率のよいグリップ・アングル予測が可能となる。 JEPAスタイルの事前学習は、データ効率のよい学習のための実践的なレバーである。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We study whether 3D self-supervised pretraining with Point--JEPA enables label-efficient grasp joint-angle prediction. Meshes are sampled to point clouds and tokenized; a ShapeNet-pretrained Point--JEPA encoder feeds a $K{=}5$ multi-hypothesis head trained with winner-takes-all and evaluated by top--logit selection. On a multi-finger hand dataset with strict object-level splits, Point--JEPA improves top--logit RMSE and Coverage@15$^{\circ}$ in low-label regimes (e.g., 26% lower RMSE at 25% data) and reaches parity at full supervision, suggesting JEPA-style pretraining is a practical lever for data-efficient grasp learning.
Abstract（参考訳）: JEPAによる3次元自己教師型事前学習は,ラベル効率のよい関節角度予測を可能にするかを検討した。 ShapeNet-pretrained Point--JEPA encoderは$K{=}5$multi-hypothesis Headに、input-takes-allでトレーニングされ、トップログの選択によって評価される。厳格なオブジェクトレベルのスプリットを持つマルチフィンガーハンドデータセットでは、Point--JEPAは、低ラベルのレギュレーション(例:25%データで26%低いRMSE)において、トップログのRMSEとCoverage@15$^{\circ}$を改善し、完全な監視で同等に到達し、JEPAスタイルのプレトレーニングは、データ効率の把握学習のための実践的なレバーである、と提案している。

関連論文リスト

Project-Probe-Aggregate: Efficient Fine-Tuning for Group Robustness [61.45587642780908]
画像テキスト基礎モデルのパラメータ効率向上のための3段階のアプローチを提案する。本手法は, マイノリティ標本同定とロバストトレーニングアルゴリズムの2つの重要な要素を改良する。我々の理論分析は,PPAが少数群の識別を向上し,バランスの取れたグループエラーを最小限に抑えるためにベイズが最適であることを示している。
論文参考訳（メタデータ） (2025-03-12T15:46:12Z)
EPContrast: Effective Point-level Contrastive Learning for Large-scale Point Cloud Understanding [27.596165112950935]
本稿では,textbfEPContrast と呼ばれる大規模クラウド理解のための効果的なポイントレベルのコントラスト学習手法を提案する。 EPContrastは非対称埋め込みに基づく正対と負対を構成し、ChannelContrastはチャネル特徴写像間の対照的な監督を課している。 EPContrastの有効性は、セマンティックセグメンテーション、インスタンスセグメンテーション、オブジェクト検出といったタスクを含む、S3DISとScanNetV2の包括的な検証を通じて裏付けられる。
論文参考訳（メタデータ） (2024-10-22T17:27:16Z)
How JEPA Avoids Noisy Features: The Implicit Bias of Deep Linear Self Distillation Networks [14.338754598043968]
データ表現の自己教師型学習には2つの競合パラダイムが存在する。 JEPA(Joint Embedding Predictive Architecture)は、意味的に類似した入力が互いに予測可能な表現に符号化されるアーキテクチャのクラスである。
論文参考訳（メタデータ） (2024-07-03T19:43:12Z)
Well-calibrated Confidence Measures for Multi-label Text Classification with a Large Number of Labels [1.1833906227033337]
本稿では,ラベルパワーセット (LP) ICP の計算非効率性に対処する新しい手法を提案する。 LP-ICPを3種類の深層ニューラルネットワーク (ANN) 分類器に適用し, 文脈型 (bert) と非文脈型 (word2vec) ワード埋め込み型 (word2vec) の2種類について検討した。提案手法は, p-値が指定された値以下のラベルセットのかなりの数を考慮することにより, LPの計算負担の増大に対処する。
論文参考訳（メタデータ） (2023-12-14T19:17:42Z)
Implicit and Efficient Point Cloud Completion for 3D Single Object Tracking [9.372859423951349]
適応リファイン予測(ARP)とターゲット知識伝達(TKT)の2つの新しいモジュールを紹介する。本モデルでは,より少ない計算量を維持しながら,最先端の性能を実現する。
論文参考訳（メタデータ） (2022-09-01T15:11:06Z)
Learning to Register Unbalanced Point Pairs [10.369750912567714]
最近の3D登録法は,大規模あるいは部分的に重複する点対を効果的に扱うことができる。非平衡点対に対する新しい3次元登録手法であるUPPNetを提案する。
論文参考訳（メタデータ） (2022-07-09T08:03:59Z)
Disentangle Your Dense Object Detector [82.22771433419727]
深層学習に基づく高密度物体検出器はここ数年で大きな成功を収め、ビデオ理解などのマルチメディアアプリケーションにも応用されてきた。しかし、現在の高密度検出器の訓練パイプラインは、保持できない多くの接続に妥協されている。そこで本研究では, 簡易かつ効果的な遠心分離機構を設計し, 現在の最先端検出器に統合するDED(Disentangled Dense Object Detector)を提案する。
論文参考訳（メタデータ） (2021-07-07T00:52:16Z)
WSSOD: A New Pipeline for Weakly- and Semi-Supervised Object Detection [75.80075054706079]
弱機能および半教師付きオブジェクト検出フレームワーク(WSSOD)を提案する。エージェント検出器は、まず関節データセット上でトレーニングされ、弱注釈画像上で擬似境界ボックスを予測するために使用される。提案フレームワークはPASCAL-VOC と MSCOCO のベンチマークで顕著な性能を示し,完全教師付き環境で得られたものと同等の性能を達成している。
論文参考訳（メタデータ） (2021-05-21T11:58:50Z)
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。