論文の概要: Learning Adaptive Pseudo-Label Selection for Semi-Supervised 3D Object Detection

• arxiv url: http://arxiv.org/abs/2509.23880v1
• Date: Sun, 28 Sep 2025 13:40:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-30 22:32:19.50468
• Title: Learning Adaptive Pseudo-Label Selection for Semi-Supervised 3D Object Detection
• Title（参考訳）: 半教師付き3次元物体検出のための適応擬似ラベル選択法
• Authors: Taehun Kong, Tae-Kyun Kim,
• Abstract要約: 半教師付き3Dオブジェクト検出(SS3DOD)は、ラベルなしデータを利用したコストの高い3Dデータセットの削減を目的としている。 近年の研究では、擬似ラベルベースの教師学習フレームワークを採用し、印象的なパフォーマンスを誇示している。 これらのフレームワークの主な課題は、教師の予測から高品質な擬似ラベルを選択することである。 本稿では,高品質な擬似ラベルを自動かつ適応的に選択する学習可能な擬似ラベルモジュールを特徴とする新しいSS3DODフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 12.973657570368317
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Semi-supervised 3D object detection (SS3DOD) aims to reduce costly 3D annotations utilizing unlabeled data. Recent studies adopt pseudo-label-based teacher-student frameworks and demonstrate impressive performance. The main challenge of these frameworks is in selecting high-quality pseudo-labels from the teacher's predictions. Most previous methods, however, select pseudo-labels by comparing confidence scores over thresholds manually set. The latest works tackle the challenge either by dynamic thresholding or refining the quality of pseudo-labels. Such methods still overlook contextual information e.g. object distances, classes, and learning states, and inadequately assess the pseudo-label quality using partial information available from the networks. In this work, we propose a novel SS3DOD framework featuring a learnable pseudo-labeling module designed to automatically and adaptively select high-quality pseudo-labels. Our approach introduces two networks at the teacher output level. These networks reliably assess the quality of pseudo-labels by the score fusion and determine context-adaptive thresholds, which are supervised by the alignment of pseudo-labels over GT bounding boxes. Additionally, we introduce a soft supervision strategy that can learn robustly under pseudo-label noises. This helps the student network prioritize cleaner labels over noisy ones in semi-supervised learning. Extensive experiments on the KITTI and Waymo datasets demonstrate the effectiveness of our method. The proposed method selects high-precision pseudo-labels while maintaining a wider coverage of contexts and a higher recall rate, significantly improving relevant SS3DOD methods.
• Abstract（参考訳）: 半教師付き3Dオブジェクト検出(SS3DOD)は、ラベルなしデータを利用したコストの高い3Dアノテーションの削減を目的としている。 近年の研究では、擬似ラベルベースの教師学習フレームワークを採用し、印象的なパフォーマンスを誇示している。 これらのフレームワークの主な課題は、教師の予測から高品質な擬似ラベルを選択することである。 しかし、従来の手法では、手動で設定した閾値よりも信頼度を比較することで擬似ラベルを選択する。 最新の研究は、ダイナミックなしきい値付けや擬似ラベルの品質の精査によって、この課題に対処している。 このような手法は、オブジェクト距離、クラス、学習状態などの文脈情報を見落とし、ネットワークから得られる部分的な情報を用いて擬似ラベルの品質を不適切に評価する。 本研究では,高品質な擬似ラベルを自動的に適応的に選択する学習可能な擬似ラベルモジュールを備えた新しいSS3DODフレームワークを提案する。 提案手法では,教師の出力レベルで2つのネットワークを導入する。 これらのネットワークは、スコア融合により擬似ラベルの品質を確実に評価し、GT境界ボックス上の擬似ラベルのアライメントによって制御される文脈適応しきい値を決定する。 さらに,擬似ラベル雑音下で頑健に学習できるソフト・インスペクション・ストラテジーを導入する。 これにより、学生ネットワークは、セミ教師付き学習においてノイズの多いラベルよりもクリーンなラベルを優先する。 KITTIおよびWaymoデータセットの大規模な実験により,本手法の有効性が示された。 提案手法は,より広いコンテキスト範囲と高いリコール率を維持しつつ,高精度な擬似ラベルを選択することで,SS3DOD法を著しく改善する。

関連論文リスト

• 3DResT: A Strong Baseline for Semi-Supervised 3D Referring Expression Segmentation [73.877177695218]
  3D参照式(3D-RES)は通常、広範囲のインスタンスレベルのアノテーションを必要とします。 半教師付き学習(SSL)は、制限付きラベル付きデータと豊富なラベル付きデータを使用することでこれを緩和し、アノテーションのコストを削減しながらパフォーマンスを向上する。 本稿では,3D-RESのための半教師付き学習フレームワークについて紹介し,3DResTという頑健なベースライン手法を提案する。
  論文  参考訳（メタデータ） (2025-04-17T02:50:52Z)
• Seg2Box: 3D Object Detection by Point-Wise Semantics Supervision [15.996707255179668]
  LiDARに基づく3Dオブジェクト検出とセマンティックセグメンテーションは、3Dシーン理解において重要なタスクである。 従来の検出と方法は、バウンディングボックスラベルとセマンティックマスクラベルを通じてモデルを監督する。 本稿では,意味ラベルのみを用いた3次元物体検出を監督することにより,冗長性を解消することを目的とする。
  論文  参考訳（メタデータ） (2025-03-21T02:39:32Z)
• TrajSSL: Trajectory-Enhanced Semi-Supervised 3D Object Detection [59.498894868956306]
  Pseudo-labeling approach to semi-supervised learning は教師-学生の枠組みを採用する。 我々は、事前学習した動き予測モデルを活用し、擬似ラベル付きデータに基づいて物体軌跡を生成する。 提案手法は2つの異なる方法で擬似ラベル品質を向上する。
  論文  参考訳（メタデータ） (2024-09-17T05:35:00Z)
• Pseudo Label Refinery for Unsupervised Domain Adaptation on Cross-dataset 3D Object Detection [38.15872244768199]
  自己学習技術は、3次元物体検出のための教師なし領域適応の顕著な改善を示している(3D UDA) これらの技法は典型的には、ターゲット領域のモデルを監督するために擬似ラベル、すなわち3Dボックスを選択する。 従来のテクニックでは、これらのボックスを擬似ラベルとして再重み付けすることでこれを緩和するが、これらのボックスはトレーニングプロセスに悪影響を及ぼす可能性がある。 疑似箱の信頼性を向上させるための新しい擬似ラベル精錬フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-04-30T09:20:35Z)
• Semi-supervised 3D Object Detection with Proficient Teachers [114.54835359657707]
  自律運転のシナリオにおけるクラウドベースの3Dオブジェクト検出器の優位性は、大量の正確なラベル付きサンプルに大きく依存している。 Pseudo-Labeling法はSSLフレームワークで一般的に使用されているが、教師モデルの低品質な予測は、その性能を著しく制限している。 そこで本研究では,教師モデルをさらに高度化することで,半教師付き3次元物体検出のためのPseudo-Labelingフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-07-26T04:54:03Z)
• Teachers in concordance for pseudo-labeling of 3D sequential data [1.1610573589377013]
  そこで本研究では,複数の教員を養成することで,教員教育における擬似ラベリング手法の強化を図るために,点雲のシーケンスを活用することを提案する。 Concordanceと呼ばれるこの一連の教師は、標準的な方法よりも高品質な学生教育のための擬似ラベルを提供する。 20%のラベルしか使用していない我々の手法は、完全に教師された手法よりも優れています。
  論文  参考訳（メタデータ） (2022-07-13T09:40:22Z)
• Label Matching Semi-Supervised Object Detection [85.99282969977541]
  半教師対象検出は,教師主導型自己学習の開発において大きな進歩を遂げている。 ラベルミスマッチ問題は、以前の研究でまだ完全に解明されていないため、自己学習中に重大な確証バイアスが生じる。 本稿では,2つの異なる相補的視点から,単純かつ効果的な LabelMatch フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-06-14T05:59:41Z)
• ST3D++: Denoised Self-training for Unsupervised Domain Adaptation on 3D Object Detection [78.71826145162092]
  本稿では,ST3D++という名前の自己学習手法を提案する。 擬似ラベル生成プロセスにハイブリット品質を意識した三重項メモリを組み込むことにより、生成された擬似ラベルの品質と安定性を向上させる。 モデルトレーニングの段階では、ソースデータ支援トレーニング戦略とカリキュラムデータ拡張ポリシーを提案する。
  論文  参考訳（メタデータ） (2021-08-15T07:49:06Z)
• 3DIoUMatch: Leveraging IoU Prediction for Semi-Supervised 3D Object Detection [76.42897462051067]
  3DIoUMatchは屋内および屋外の場面両方に適当3D目的の検出のための新しい半監視された方法です。 教師と教師の相互学習の枠組みを活用し,ラベル付けされていない列車の情報を擬似ラベルの形で伝達する。 本手法は,ScanNetとSUN-RGBDのベンチマークにおける最先端の手法を,全てのラベル比で有意差で継続的に改善する。
  論文  参考訳（メタデータ） (2020-12-08T11:06:26Z)

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。