論文の概要: Towards classification-based representation learning for place recognition on LiDAR scans

• arxiv url: http://arxiv.org/abs/2511.00738v2
• Date: Tue, 04 Nov 2025 09:35:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-05 16:37:26.914675
• Title: Towards classification-based representation learning for place recognition on LiDAR scans
• Title（参考訳）: LiDARスキャンを用いた位置認識のための分類に基づく表現学習に向けて
• Authors: Maksim Konoplia, Dmitrii Khizbullin,
• Abstract要約: 位置認識は自動運転車にとって重要なタスクであり、車両はセンサーデータを使って位置を判断できる。 既存のほとんどの手法はコントラスト学習に依存しているが、我々は、位置認識をマルチクラス分類問題としてフレーミングすることで、代替手法を探究する。 本手法では,個々の位置ラベルをLiDARスキャンに割り当て,エンコーダ・デコーダモデルを用いて各スキャンの位置を直接分類する。 このアプローチをNuScenesデータセット上で評価し、学習効率と安定性の優位性を提供しながら、対照的な学習手法と比較して競争性能が向上することを示す。
• 参考スコア（独自算出の注目度）: 2.0482700732041397
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Place recognition is a crucial task in autonomous driving, allowing vehicles to determine their position using sensor data. While most existing methods rely on contrastive learning, we explore an alternative approach by framing place recognition as a multi-class classification problem. Our method assigns discrete location labels to LiDAR scans and trains an encoder-decoder model to classify each scan's position directly. We evaluate this approach on the NuScenes dataset and show that it achieves competitive performance compared to contrastive learning-based methods while offering advantages in training efficiency and stability.
• Abstract（参考訳）: 位置認識は自動運転車にとって重要なタスクであり、車両はセンサーデータを使って位置を判断できる。 既存のほとんどの手法は対照的な学習に依存しているが、我々は、複数クラス分類問題として位置認識をフレーミングすることで、代替的なアプローチを探究する。 本手法では,個々の位置ラベルをLiDARスキャンに割り当て,エンコーダ・デコーダモデルを用いて各スキャンの位置を直接分類する。 このアプローチをNuScenesデータセット上で評価し、学習効率と安定性の優位性を提供しながら、対照的な学習手法と比較して競争性能が向上することを示す。

関連論文リスト

• Active Learning Classification from a Signal Separation Perspective [0.0]
  本稿では,信号分離の原理に触発された新しいクラスタリングと分類フレームワークを提案する。 実世界のサリナスとインドパインズのハイパースペクトルデータセット上で本手法の有効性を検証した。
  論文  参考訳（メタデータ） (2025-02-23T03:47:03Z)
• Enhancing Hyperspectral Image Prediction with Contrastive Learning in Low-Label Regime [0.810304644344495]
  自己教師付きコントラスト学習は、限られたラベル付きデータの課題に対処するための効果的なアプローチである。 単一ラベルと複数ラベルの分類タスクに対して,本手法の性能を評価する。
  論文  参考訳（メタデータ） (2024-10-10T10:20:16Z)
• Improving Online Lane Graph Extraction by Object-Lane Clustering [106.71926896061686]
  本稿では,局所レーングラフの推定精度を向上させるために,アーキテクチャと損失の定式化を提案する。 提案手法は,中心線をクラスタ中心とすることで,対象を中心線に割り当てることを学ぶ。 提案手法は既存の3次元オブジェクト検出手法の出力を用いて,大幅な性能向上を実現することができることを示す。
  論文  参考訳（メタデータ） (2023-07-20T15:21:28Z)
• LVLane: Deep Learning for Lane Detection and Classification in Challenging Conditions [2.5641096293146712]
  本稿では,ディープラーニング手法に基づくエンドツーエンドの車線検出・分類システムを提案する。 本研究では,最新技術(SOTA)レーンローカライゼーションモデルにおいて重要な課題を提起するシナリオを包含する,厳密にキュレートされたユニークなデータセットを提案する。 そこで本研究では,CNNをベースとした検知器とシームレスに統合し,異なるレーンの識別を容易にする分類手法を提案する。
  論文  参考訳（メタデータ） (2023-07-13T16:09:53Z)
• Learning Off-Road Terrain Traversability with Self-Supervisions Only [2.4316550366482357]
  オフロード環境における自律走行の様々な条件下で、地形の走行可能性の推定は信頼性と正確性を有するべきである。 本稿では,手動ラベルを使わずに自己スーパービジョンのみを利用する画像からトラバーサビリティを学習する手法を提案する。
  論文  参考訳（メタデータ） (2023-05-30T09:51:27Z)
• ALLSH: Active Learning Guided by Local Sensitivity and Hardness [98.61023158378407]
  本稿では,局所感度と硬度認識獲得機能を備えたラベル付きサンプルの検索を提案する。 本手法は,様々な分類タスクにおいてよく用いられるアクティブラーニング戦略よりも一貫した利得が得られる。
  論文  参考訳（メタデータ） (2022-05-10T15:39:11Z)
• SCARF: Self-Supervised Contrastive Learning using Random Feature Corruption [72.35532598131176]
  本稿では,特徴のランダムなサブセットを乱してビューを形成するコントラスト学習手法であるSCARFを提案する。 SCARFは既存の戦略を補完し、オートエンコーダのような代替手段より優れていることを示す。
  論文  参考訳（メタデータ） (2021-06-29T08:08:33Z)
• TraND: Transferable Neighborhood Discovery for Unsupervised Cross-domain Gait Recognition [77.77786072373942]
  本稿では、教師なしクロスドメイン歩行認識のための領域ギャップを橋渡しするTransferable Neighborhood Discovery (TraND) フレームワークを提案する。 我々は、潜在空間におけるラベルなしサンプルの自信ある近傍を自動的に発見するために、エンドツーエンドのトレーニング可能なアプローチを設計する。 提案手法は,CASIA-BとOU-LPの2つの公開データセットに対して,最先端の結果を得る。
  論文  参考訳（メタデータ） (2021-02-09T03:07:07Z)
• Radar-to-Lidar: Heterogeneous Place Recognition via Joint Learning [11.259276512983492]
  本稿では,長期的位置認識のためのヘテロジニアス測定に基づくフレームワークを提案する。 深層ニューラルネットワークは、学習段階での共同トレーニングとともに構築され、テスト段階では、レーダーとライダーの共有埋め込みが抽出され、異種な場所認識が行われる。 実験結果から, 本モデルではライダー対ライダー, レーダー対レーダー, レーダー対ライダーの認識が可能であり, 学習モデルは1回に1回しか訓練されないことがわかった。
  論文  参考訳（メタデータ） (2021-01-30T15:34:58Z)

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。

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。