論文の概要: Viewpoint Recommendation for Point Cloud Labeling through Interaction Cost Modeling

• arxiv url: http://arxiv.org/abs/2602.10871v1
• Date: Wed, 11 Feb 2026 13:59:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-12 21:44:01.963315
• Title: Viewpoint Recommendation for Point Cloud Labeling through Interaction Cost Modeling
• Title（参考訳）: 相互作用コストモデリングによるポイントクラウドラベリングのための視点勧告
• Authors: Yu Zhang, Xinyi Zhao, Chongke Bi, Siming Chen,
• Abstract要約: 本稿では,アノテータのラベリング時間コストを削減するための視点推薦手法を提案する。 我々は3次元点雲のセマンティックセグメンテーションのためのデータラベリングシステムを構築した。
• 参考スコア（独自算出の注目度）: 11.001671358873708
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Semantic segmentation of 3D point clouds is important for many applications, such as autonomous driving. To train semantic segmentation models, labeled point cloud segmentation datasets are essential. Meanwhile, point cloud labeling is time-consuming for annotators, which typically involves tuning the camera viewpoint and selecting points by lasso. To reduce the time cost of point cloud labeling, we propose a viewpoint recommendation approach to reduce annotators' labeling time costs. We adapt Fitts' law to model the time cost of lasso selection in point clouds. Using the modeled time cost, the viewpoint that minimizes the lasso selection time cost is recommended to the annotator. We build a data labeling system for semantic segmentation of 3D point clouds that integrates our viewpoint recommendation approach. The system enables users to navigate to recommended viewpoints for efficient annotation. Through an ablation study, we observed that our approach effectively reduced the data labeling time cost. We also qualitatively compare our approach with previous viewpoint selection approaches on different datasets.
• Abstract（参考訳）: 3Dポイントクラウドのセマンティックセグメンテーションは、自律運転など多くのアプリケーションにとって重要である。 セマンティックセグメンテーションモデルをトレーニングするためには、ラベル付きポイントクラウドセグメンテーションデータセットが不可欠である。 一方、アノテータはポイントクラウドラベリングに時間がかかり、通常はカメラの視点を調整し、ラッソでポイントを選択する。 ポイントクラウドラベリングの時間コストを削減するため,アノテータのラベリング時間コストを削減するために,視点推薦手法を提案する。 我々はFittsの法則を適用して、点雲におけるラッソ選択の時間コストをモデル化する。 モデル化された時間コストを用いて、アノテータには、ラッソ選択時間コストを最小限に抑える視点が推奨される。 我々は、3Dポイントクラウドのセマンティックセグメンテーションのためのデータラベリングシステムを構築し、視点レコメンデーションアプローチを統合する。 このシステムにより、ユーザは効率的なアノテーションのために推奨された視点にナビゲートできる。 アブレーション実験により,本手法はデータラベリングの時間コストを効果的に削減することを示した。 また、我々のアプローチと、異なるデータセットに対する以前の視点選択アプローチを質的に比較する。

関連論文リスト

• Label-Efficient Point Cloud Segmentation with Active Learning [44.1443860541115]
  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。
  論文  参考訳（メタデータ） (2025-12-05T14:47:24Z)
• ZeroFlow: Scalable Scene Flow via Distillation [66.70820145266029]
  シーンフロー推定は、時間的に連続する点雲間の3次元運動場を記述するタスクである。 State-of-the-artメソッドは、強い事前とテスト時の最適化技術を使用するが、フルサイズの点雲を処理するには数秒の順序を必要とする。 本研究では,ラベルなし最適化手法を用いて擬似ラベルを生成し,フィードフォワードモデルを監督する簡易でスケーラブルな蒸留フレームワークであるScene Flow via Distillationを提案する。
  論文  参考訳（メタデータ） (2023-05-17T17:56:59Z)
• LESS: Label-Efficient Semantic Segmentation for LiDAR Point Clouds [62.49198183539889]
  我々は,LiDAR点雲を用いた屋外シーンのためのラベル効率のよいセマンティックセマンティックセマンティクスパイプラインを提案する。 本手法は,半弱教師付き学習を用いて,効率的なラベリング手法を設計する。 提案手法は,100%ラベル付き完全教師付き手法と比較して,さらに競争力が高い。
  論文  参考訳（メタデータ） (2022-10-14T19:13:36Z)
• Data Augmentation-free Unsupervised Learning for 3D Point Cloud Understanding [61.30276576646909]
  ソフトクラスタリング(SoftClu)と呼ばれる,移動可能な点レベルの特徴を学習するための,ポイントクラウドに対する拡張不要な教師なしアプローチを提案する。 我々は,クラスタに対するポイントのアフィリエイトをプロキシとして利用し,擬似ラベル予測タスクを通じて自己学習を可能にする。
  論文  参考訳（メタデータ） (2022-10-06T10:18:16Z)
• Pointly-supervised 3D Scene Parsing with Viewpoint Bottleneck [3.2790748006553643]
  本稿では,ポイントワイズ・セマンティック・アノテーションが高価であることを考えると,極端にスパースなラベルを持つモデルを学ぶことの難しさに対処する。 本稿では,視点ボトルネックという自己監督型3次元表現学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-09-17T13:54:20Z)
• 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)
• Enabling Viewpoint Learning through Dynamic Label Generation [10.228754362756153]
  提案手法は,異なる対象カテゴリのモデルに対する視点予測を学習するのにどう役立つかを示す。 本研究では,SOTA(State-of-the-art)の視点品質評価と比較して,予測時間が数分から1秒に短縮されることを示す。
  論文  参考訳（メタデータ） (2020-03-10T11:49:27Z)

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。