論文の概要: Adaptive Augmentation-Aware Latent Learning for Robust LiDAR Semantic Segmentation

• arxiv url: http://arxiv.org/abs/2603.01074v1
• Date: Sun, 01 Mar 2026 12:33:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-03 19:50:56.49549
• Title: Adaptive Augmentation-Aware Latent Learning for Robust LiDAR Semantic Segmentation
• Title（参考訳）: ロバストLiDARセマンティックセマンティックセグメンテーションのための適応拡張型遅延学習
• Authors: Wangkai Li, Zhaoyang Li, Yuwen Pan, Rui Sun, Yujia Chen, Tianzhu Zhang,
• Abstract要約: 逆気象条件は、LiDARポイントクラウドセマンティックセグメンテーションネットワークの性能を著しく低下させる。 既存の拡張ベースの手法は、訓練中に気象干渉をシミュレートすることで堅牢性を高める試みである。 本稿では,多種多様な拡張を効果的に活用する適応型拡張対応潜在学習フレームワークであるA3Pointを提案する。
• 参考スコア（独自算出の注目度）: 40.73286976237313
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Adverse weather conditions significantly degrade the performance of LiDAR point cloud semantic segmentation networks by introducing large distribution shifts. Existing augmentation-based methods attempt to enhance robustness by simulating weather interference during training. However, they struggle to fully exploit the potential of augmentations due to the trade-off between minor and aggressive augmentations. To address this, we propose A3Point, an adaptive augmentation-aware latent learning framework that effectively utilizes a diverse range of augmentations while mitigating the semantic shift, which refers to the change in the semantic meaning caused by augmentations. A3Point consists of two key components: semantic confusion prior (SCP) latent learning, which captures the model's inherent semantic confusion information, and semantic shift region (SSR) localization, which decouples semantic confusion and semantic shift, enabling adaptive optimization strategies for different disturbance levels. Extensive experiments on multiple standard generalized LiDAR segmentation benchmarks under adverse weather demonstrate the effectiveness of our method, setting new state-of-the-art results.
• Abstract（参考訳）: 逆気象条件は、大きな分布シフトを導入することで、LiDARポイントクラウドセマンティックセグメンテーションネットワークの性能を著しく低下させる。 既存の拡張ベースの手法は、訓練中に気象干渉をシミュレートすることで堅牢性を高める試みである。 しかし、マイナーとアグレッシブの間のトレードオフのため、拡張の可能性を完全に活用するのは難しい。 そこで本稿では,A3Pointを提案する。A3Pointは,拡張による意味的意味の変化を反映したセマンティックシフトを緩和しながら,多様な拡張を効果的に活用する適応型拡張対応潜在学習フレームワークである。 A3Pointは、モデル固有の意味的混同情報をキャプチャする意味的混同前(SCP)潜在学習と、意味的混同と意味的シフトを分離する意味的シフト領域(SSR)ローカライゼーションと、異なる障害レベルに対する適応的最適化戦略の2つの重要なコンポーネントから構成される。 悪天候下での複数の標準一般化LiDARセグメンテーションベンチマークの広範囲な実験により,本手法の有効性が示され,新たな成果が得られた。

関連論文リスト

• AsarRec: Adaptive Sequential Augmentation for Robust Self-supervised Sequential Recommendation [18.47848960425837]
  シークエンシャルレコメンダシステムは、ユーザの動的嗜好をモデル化し、アイテム遷移パターンをキャプチャする強力な機能を示している。 ヒューマンエラー、不確実性、行動の曖昧さは、劣化したレコメンデーションのパフォーマンスにつながる。 AsarRecは、ユーザシーケンスを確率的遷移シーケンスにエンコードすることで、変換行列を生成することを学習する。
  論文  参考訳（メタデータ） (2025-12-16T03:29:11Z)
• Exploring Semantic-constrained Adversarial Example with Instruction Uncertainty Reduction [51.50282796099369]
  本稿では,多次元命令の不確実性低減フレームワークを開発し,意味論的に制約された逆の例を生成する。 言語誘導サンプリングプロセスの予測により、設計したResAdv-DDIMサンプルにより最適化プロセスが安定化される。 セマンティック制約付き3次元逆数例の参照フリー生成を初めて実現した。
  論文  参考訳（メタデータ） (2025-10-27T04:02:52Z)
• Diffusion-Classifier Synergy: Reward-Aligned Learning via Mutual Boosting Loop for FSCIL [19.094835780362775]
  FSCIL(Few-Shot Class-Incremental Learning)は、最小限の例から新しいクラスを逐次学習するモデルに挑戦する。 現在のFSCIL法は、限られたデータセットに依存するため、一般化に苦慮することが多い。 本稿では拡散モデルとFSCIL分類器の相互強化ループを確立する新しいフレームワークであるDiffusion-Classifier Synergy(DCS)を紹介する。
  論文  参考訳（メタデータ） (2025-10-04T01:48:52Z)
• Iterative Augmentation with Summarization Refinement (IASR) Evaluation for Unstructured Survey data Modeling and Analysis [0.43988112145759295]
  本研究は,大規模言語モデル(LLM)に基づくテキスト拡張のための原則的評価フレームワークを導入する。 実証評価の結果, GPT-3.5 Turbo はセマンティック忠実度, 多様性, 生成効率の最良のバランスを達成できた。
  論文  参考訳（メタデータ） (2025-07-16T10:49:30Z)
• Adaptive Spatial Augmentation for Semi-supervised Semantic Segmentation [51.645152962504056]
  半教師付きセマンティックセグメンテーションでは、データ拡張は弱い一貫性の規則化フレームワークにおいて重要な役割を果たす。 空間増強はSSSSのモデルトレーニングに寄与するが,弱い面と強い面の間には一貫性のないマスクが生じる。 本稿では,各インスタンスのエントロピーに基づいて動的に拡張を調整する適応的拡張戦略を提案する。
  論文  参考訳（メタデータ） (2025-05-29T13:35:48Z)
• IPSeg: Image Posterior Mitigates Semantic Drift in Class-Incremental Segmentation [77.06177202334398]
  CISSにおけるセマンティックドリフトとデグレード性能に寄与する2つの重要な課題を特定した。 まず、モデルの異なる部分が異なる漸進的な段階に最適化されるという、別々の最適化の問題を強調します。 第二に、不適切な擬似ラベルから生じる雑音のセマンティクスを同定し、その結果、準最適結果が得られる。
  論文  参考訳（メタデータ） (2025-02-07T12:19:37Z)
• Source-Free Domain Adaptive Object Detection with Semantics Compensation [54.00183496587841]
  Weak-to-strong Semantics Compensation (WSCo)を導入する。 WSCoは、クラス関連セマンティクスを補う。 WSCoは一般的なプラグインとして実装することができ、既存のSFODパイプラインと容易に統合できます。
  論文  参考訳（メタデータ） (2024-10-07T23:32:06Z)
• Unleashing Network Potentials for Semantic Scene Completion [50.95486458217653]
  本稿では,新しいSSCフレームワーク - Adrial Modality Modulation Network (AMMNet)を提案する。 AMMNetは、モダリティ間の勾配流の相互依存性を可能にするクロスモーダル変調と、動的勾配競争を利用するカスタマイズされた逆トレーニングスキームの2つのコアモジュールを導入している。 AMMNetは最先端のSSC法よりも大きなマージンで優れていた。
  論文  参考訳（メタデータ） (2024-03-12T11:48:49Z)
• Implicit Counterfactual Data Augmentation for Robust Learning [24.795542869249154]
  本研究では, 突発的相関を除去し, 安定した予測を行うために, インプリシト・カウンセショナル・データ拡張法を提案する。 画像とテキストのデータセットをカバーする様々なバイアス付き学習シナリオで実験が行われてきた。
  論文  参考訳（メタデータ） (2023-04-26T10:36:40Z)

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。