論文の概要: An Empirical Study on Knowledge Transfer under Domain and Label Shifts in 3D LiDAR Point Clouds

• arxiv url: http://arxiv.org/abs/2601.07855v1
• Date: Fri, 09 Jan 2026 06:00:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-14 18:27:18.873052
• Title: An Empirical Study on Knowledge Transfer under Domain and Label Shifts in 3D LiDAR Point Clouds
• Title（参考訳）: 3次元LiDAR点雲における領域シフトとラベルシフトによる知識伝達に関する実証的研究
• Authors: Subeen Lee, Siyeong Lee, Namil Kim, Jaesik Choi,
• Abstract要約: 3次元点雲の知覚における連続的および移動的学習の研究は、2次元の視覚と比較してまだ未調査である。 RObust Autonomous driving under dataset shifts (ROAD) benchmark, a comprehensive evaluation suite for LiDAR based object classification。 本研究は, 現実的な変化下での既存アプローチの限界を明らかにし, 堅牢な3次元知覚における今後の研究の基盤を固めるものである。
• 参考スコア（独自算出の注目度）: 31.528776876577755
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: For 3D perception systems to be practical in real-world applications -- from autonomous driving to embodied AI -- models must adapt to continuously evolving object definitions and sensor domains. Yet, research on continual and transfer learning in 3D point cloud perception remains underexplored compared to 2D vision -- particularly under simultaneous domain and label shifts. To address this gap, we propose the RObust Autonomous driving under Dataset shifts (ROAD) benchmark, a comprehensive evaluation suite for LiDAR-based object classification that explicitly accounts for domain shifts as well as three key forms of label evolution: class split, class expansion, and class insertion. Using large-scale datasets (Waymo, NuScenes, Argoverse2), we evaluate zero-shot transfer, linear probe, and CL, and analyze the impact of backbone architectures, training objectives, and CL methods. Our findings reveal limitations of existing approaches under realistic shifts and establish strong baselines for future research in robust 3D perception.
• Abstract（参考訳）: 3D知覚システムが、自律運転から具体化AIに至るまで、現実世界のアプリケーションで実用的であるためには、モデルは継続的に進化するオブジェクト定義やセンサードメインに適応する必要がある。 しかし、3Dポイントクラウドの知覚における連続的および移動的学習の研究は、特にドメインとラベルの同時シフト下での2Dビジョンと比較して、まだ未調査である。 このギャップに対処するために、RObust Autonomous driving under Dataset shifts (ROAD)ベンチマーク、LiDARベースのオブジェクト分類のための総合的な評価スイートを提案する。 大規模なデータセット(Waymo, NuScenes, Argoverse2)を用いて、ゼロショット転送、線形プローブ、CLを評価し、バックボーンアーキテクチャ、トレーニング目標、CLメソッドの影響を分析する。 本研究は, 現実的な変化下での既存アプローチの限界を明らかにし, 堅牢な3次元知覚における今後の研究の基盤を固めるものである。

関連論文リスト

• Real-Time 3D Object Detection with Inference-Aligned Learning [20.94871746774727]
  ポイントクラウドからのリアルタイム3Dオブジェクト検出は、拡張現実、ロボット工学、ナビゲーションなどのアプリケーションにおける動的なシーン理解に不可欠である。 本稿では,検出器の訓練方法と評価方法のギャップを埋めるために,空間優先・ランク対応の3Dオブジェクト検出フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-11-20T08:27:00Z)
• Topology-Aware Modeling for Unsupervised Simulation-to-Reality Point Cloud Recognition [63.55828203989405]
  我々はオブジェクトポイントクラウド上でSim2Real UDAのための新しいTopology-Aware Modeling (TAM)フレームワークを紹介する。 提案手法は,低レベルの高周波3次元構造を特徴とするグローバル空間トポロジを利用して,領域間隙を緩和する。 本稿では,クロスドメイン・コントラスト学習と自己学習を組み合わせた高度な自己学習戦略を提案する。
  論文  参考訳（メタデータ） (2025-06-26T11:53:59Z)
• Syn-to-Real Unsupervised Domain Adaptation for Indoor 3D Object Detection [50.448520056844885]
  室内3次元物体検出における非教師なし領域適応のための新しいフレームワークを提案する。 合成データセット3D-FRONTから実世界のデータセットScanNetV2とSUN RGB-Dへの適応結果は、ソースオンリーベースラインよりも9.7%、9.1%のmAP25が顕著に改善されていることを示している。
  論文  参考訳（メタデータ） (2024-06-17T08:18:41Z)
• Unsupervised Domain Adaptation for Monocular 3D Object Detection via Self-Training [57.25828870799331]
  我々は、Mono3D上での教師なしドメイン適応のための新しい自己学習フレームワークSTMono3Dを提案する。 対象ドメイン上で適応的な擬似ラベルを生成するための教師学生パラダイムを開発する。 STMono3Dは、評価されたすべてのデータセットで顕著なパフォーマンスを達成し、KITTI 3Dオブジェクト検出データセットの完全な教師付き結果を超えています。
  論文  参考訳（メタデータ） (2022-04-25T12:23:07Z)
• Unsupervised Domain Adaptive 3D Detection with Multi-Level Consistency [90.71745178767203]
  ディープラーニングに基づく3Dオブジェクト検出は、大規模な自律走行データセットの出現によって、前例のない成功を収めた。 既存の3Dドメイン適応検出手法は、しばしばターゲットのドメインアノテーションへの事前アクセスを前提とします。 我々は、ソースドメインアノテーションのみを利用する、より現実的な、教師なしの3Dドメイン適応検出について研究する。
  論文  参考訳（メタデータ） (2021-07-23T17:19:23Z)
• vLPD-Net: A Registration-aided Domain Adaptation Network for 3D Point Cloud Based Place Recognition [19.63989918943894]
  点群に基づく位置認識のための新規な登録支援3次元ドメイン適応ネットワークを提案する。 構造対応登録ネットワークを導入し、幾何学的特性から特徴を学習する。 この結果は,実世界のoxford robotcarデータセットにおける最先端の3d位置認識ベースラインを上回っている。
  論文  参考訳（メタデータ） (2020-12-09T12:56:01Z)

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。