論文の概要: Integrating Product Coefficients for Improved 3D LiDAR Data Classification (Part II)
- arxiv url: http://arxiv.org/abs/2510.15219v1
- Date: Fri, 17 Oct 2025 00:57:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-20 20:17:34.428723
- Title: Integrating Product Coefficients for Improved 3D LiDAR Data Classification (Part II)
- Title（参考訳）: 改良型3次元LiDARデータ分類のための製品係数の統合(その2)
- Authors: Patricia Medina, Rasika Karkare,
- Abstract要約: 製品係数とオートエンコーダ表現とKNNを組み合わせることで,一貫した性能向上が得られることを示す。
よりリッチな係数セットは、クラス分離性と全体的な精度を体系的に改善します。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This work extends our previous study on enhancing 3D LiDAR point-cloud classification with product coefficients \cite{medina2025integratingproductcoefficientsimproved}, measure-theoretic descriptors that complement the original spatial Lidar features. Here, we show that combining product coefficients with an autoencoder representation and a KNN classifier delivers consistent performance gains over both PCA-based baselines and our earlier framework. We also investigate the effect of adding product coefficients level by level, revealing a clear trend: richer sets of coefficients systematically improve class separability and overall accuracy. The results highlight the value of combining hierarchical product-coefficient features with autoencoders to push LiDAR classification performance further.
- Abstract（参考訳）: 本研究は,元の空間的ライダー特徴を補完する測度理論記述子である製品係数 \cite{medina2025 Integrationproductcoefficientsimproved} を用いた3次元LiDAR点クラウド分類の強化に関するこれまでの研究を拡張した。
ここでは、製品係数とオートエンコーダ表現とKNN分類器を組み合わせることで、PCAベースのベースラインとそれ以前のフレームワークの両方に対して一貫した性能向上が得られることを示す。
また,積係数のレベルをレベル別に加えることで,よりリッチな係数集合がクラス分離性と全体的な精度を体系的に改善する,という明確な傾向を明らかにした。
その結果、LiDAR分類性能をさらに向上させるために、階層的製品係数とオートエンコーダを組み合わせることの価値を強調した。
関連論文リスト
- AIR: A Systematic Analysis of Annotations, Instructions, and Response Pairs in Preference Dataset [89.37514696019484]
嗜好学習は、大きな言語モデルと人間の価値の整合に不可欠である。
私たちの作業は、好みのデータセット設計をアドホックなスケーリングからコンポーネント対応の最適化にシフトします。
論文 参考訳（メタデータ） (2025-04-04T17:33:07Z) - Rethinking End-to-End 2D to 3D Scene Segmentation in Gaussian Splatting [86.15347226865826]
We design an new end-to-end object-aware lifting approach, called Unified-Lift。
コントラスト損失を用いて学習したガウスレベルの機能を各ガウス点に拡張し、インスタンス情報をエンコードする。
LERF-Masked、Replica、Messy Roomsの3つのベンチマークで実験を行った。
論文 参考訳（メタデータ） (2025-03-18T08:42:23Z) - Integrating Product Coefficients for Improved 3D LiDAR Data Classification [0.0]
分類過程の付加的な特徴として,測度理論から導かれる理論量である積係数を導入する。
その結果, 製品係数を特徴集合に組み込むことで, 分類精度が著しく向上することが示唆された。
論文 参考訳（メタデータ） (2025-03-15T01:25:38Z) - Data Augmentation for Traffic Classification [54.92823760790628]
Data Augmentation (DA) はコンピュータビジョン(CV)と自然言語処理(NLP)に広く採用されている技術である。
DAはネットワークのコンテキスト、特にトラフィック分類(TC)タスクにおいて、牽引力を得るのに苦労しています。
論文 参考訳（メタデータ） (2024-01-19T15:25:09Z) - Stochastic Gradient Descent for Nonparametric Regression [11.24895028006405]
本稿では,非パラメトリック加法モデルをトレーニングするための反復アルゴリズムを提案する。
結果の不等式は、モデルの誤特定を可能にする託宣を満足していることが示される。
論文 参考訳（メタデータ） (2024-01-01T08:03:52Z) - GraphLearner: Graph Node Clustering with Fully Learnable Augmentation [76.63963385662426]
Contrastive Deep Graph Clustering (CDGC)は、異なるクラスタにノードをグループ化するために、コントラスト学習のパワーを活用する。
我々は、GraphLearnerと呼ばれる、完全学習可能な拡張を備えたグラフノードクラスタリングを提案する。
学習可能な拡張器を導入し、CDGCのための高品質でタスク固有の拡張サンプルを生成する。
論文 参考訳（メタデータ） (2022-12-07T10:19:39Z) - Adversarial Feature Augmentation and Normalization for Visual
Recognition [109.6834687220478]
最近のコンピュータビジョンの進歩は、分類モデルの一般化能力を改善するために、逆データ拡張を利用する。
本稿では,中間的特徴埋め込みにおける敵対的拡張を提唱する効率的かつ効率的な代替手法を提案する。
代表的なバックボーンネットワークを用いて,多様な視覚認識タスクにまたがる提案手法を検証する。
論文 参考訳（メタデータ） (2021-03-22T20:36:34Z) - Representation Learning via Cauchy Convolutional Sparse Coding [7.784354802855044]
畳み込みスパース符号化(CSC)は、(el)ノルムの忠実度項と、ペナルティを強制するスパーシティの両方を共同最適化することにより、特徴の教師なし学習を可能にする。
本研究では、CSC生成モデルの特徴写像の係数について、仮定されたコーシーから導出される正規化項を用いて検討する。
この事前から生じる空間的ペナルティ項は、その近位演算子によって解決され、特徴写像の係数に対して反復的に要素的に適用され、CSCコスト関数を最適化する。
論文 参考訳（メタデータ） (2020-08-08T08:21:44Z)
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。