論文の概要: Label-Efficient Point Cloud Segmentation with Active Learning
- arxiv url: http://arxiv.org/abs/2512.05759v1
- Date: Fri, 05 Dec 2025 14:47:24 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-12-13 22:40:57.063977
- Title: Label-Efficient Point Cloud Segmentation with Active Learning
- Title（参考訳）: 能動学習によるラベル効率の良いポイントクラウドセグメンテーション
- Authors: Johannes Meyer, Jasper Hoffmann, Felix Schulz, Dominik Merkle, Daniel Buescher, Alexander Reiterer, Joschka Boedecker, Wolfram Burgard,
- Abstract要約: 本研究では,ポイントクラウドを注釈可能な領域に分割する,新しい実装戦略を提案する。
本研究では, フライブルク市のS3DISデータセット, トロント3Dデータセット, 大規模都市3D点群について検討した。
- 参考スコア（独自算出の注目度）: 44.1443860541115
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Semantic segmentation of 3D point cloud data often comes with high annotation costs. Active learning automates the process of selecting which data to annotate, reducing the total amount of annotation needed to achieve satisfactory performance. Recent approaches to active learning for 3D point clouds are often based on sophisticated heuristics for both, splitting point clouds into annotatable regions and selecting the most beneficial for further neural network training. In this work, we propose a novel and easy-to-implement strategy to separate the point cloud into annotatable regions. In our approach, we utilize a 2D grid to subdivide the point cloud into columns. To identify the next data to be annotated, we employ a network ensemble to estimate the uncertainty in the network output. We evaluate our method on the S3DIS dataset, the Toronto-3D dataset, and a large-scale urban 3D point cloud of the city of Freiburg, which we labeled in parts manually. The extensive evaluation shows that our method yields performance on par with, or even better than, complex state-of-the-art methods on all datasets. Furthermore, we provide results suggesting that in the context of point clouds the annotated area can be a more meaningful measure for active learning algorithms than the number of annotated points.
- Abstract（参考訳）: 3Dポイントクラウドデータのセマンティックセグメンテーションには、高アノテーションコストが伴うことが多い。
アクティブラーニングは、どのデータをアノテートするかを選択するプロセスを自動化する。
最近の3Dポイントクラウドのアクティブラーニングへのアプローチは、多くの場合、ポイントクラウドを注釈可能な領域に分割し、ニューラルネットワークのトレーニングに最も有用なものを選択するという、洗練されたヒューリスティックに基づいている。
本研究では,ポイントクラウドを注釈可能な領域に分割する,新しい実装戦略を提案する。
提案手法では,2次元格子を用いて点雲を列に分割する。
次にアノテートすべきデータを特定するために,ネットワークアンサンブルを用いてネットワーク出力の不確かさを推定する。
本研究では,S3DISデータセット,トロント3Dデータセット,フライブルク市の大規模都市3D点群を手動でラベル付けした。
広範に評価した結果,本手法は,すべてのデータセットにおける複雑な最先端手法と同程度,あるいはそれ以上の性能が得られることがわかった。
さらに,アノテートされた領域は,アノテートされた点の数よりも,アクティブな学習アルゴリズムにおいて有意義な指標となる可能性が示唆された。
関連論文リスト
- A Survey of Label-Efficient Deep Learning for 3D Point Clouds [109.07889215814589]
本稿では,点雲のラベル効率学習に関する包括的調査を行う。
本稿では,ラベルの種類によって提供されるデータ前提条件に基づいて,ラベル効率のよい学習手法を整理する分類法を提案する。
それぞれのアプローチについて、問題設定の概要と、関連する進展と課題を示す広範な文献レビューを提供する。
論文 参考訳（メタデータ） (2023-05-31T12:54:51Z) - Point2Vec for Self-Supervised Representation Learning on Point Clouds [66.53955515020053]
Data2vecをポイントクラウド領域に拡張し、いくつかのダウンストリームタスクで推奨される結果を報告します。
我々は、ポイントクラウド上でData2vecライクな事前トレーニングの可能性を解放するpoint2vecを提案する。
論文 参考訳（メタデータ） (2023-03-29T10:08:29Z) - PnP-3D: A Plug-and-Play for 3D Point Clouds [38.05362492645094]
本稿では,既存ネットワークのポイントクラウドデータ解析における有効性を改善するために,プラグイン・アンド・プレイモジュール -3D を提案する。
アプローチを徹底的に評価するために,3つの標準的なクラウド分析タスクについて実験を行った。
本研究は,最先端の成果の達成に加えて,我々のアプローチのメリットを実証する包括的研究を提案する。
論文 参考訳（メタデータ） (2021-08-16T23:59:43Z) - Label-Efficient Point Cloud Semantic Segmentation: An Active Learning
Approach [35.23982484919796]
公平なベンチマークを可能にするため,より現実的なアノテーションカウント方式を提案する。
ラベル付け予算をより活用するために、スーパーポイントベースのアクティブラーニング戦略を採用する。
2つのベンチマークデータセットの実験は、提案されたアクティブラーニング戦略の有効性を示しています。
論文 参考訳（メタデータ） (2021-01-18T08:37:21Z) - Campus3D: A Photogrammetry Point Cloud Benchmark for Hierarchical
Understanding of Outdoor Scene [76.4183572058063]
複数の屋外シーン理解タスクに対して,リッチな注釈付き3Dポイントクラウドデータセットを提案する。
データセットは階層型ラベルとインスタンスベースのラベルの両方でポイントワイズアノテートされている。
本稿では,3次元点雲分割のための階層的学習問題を定式化し,様々な階層間の整合性を評価することを提案する。
論文 参考訳（メタデータ） (2020-08-11T19:10:32Z)
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。