論文の概要: HACMatch Semi-Supervised Rotation Regression with Hardness-Aware Curriculum Pseudo Labeling

• arxiv url: http://arxiv.org/abs/2603.21583v1
• Date: Mon, 23 Mar 2026 05:24:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-24 19:11:39.499292
• Title: HACMatch Semi-Supervised Rotation Regression with Hardness-Aware Curriculum Pseudo Labeling
• Title（参考訳）: 硬度を考慮した擬似ラベル付きHACMatch半監督回転後退
• Authors: Mei Li, Huayi Zhou, Suizhi Huang, Yuxiang Lu, Yue Ding, Hongtao Lu,
• Abstract要約: 2D画像から物体を3D回転させるのは非常に難しい作業です。 本稿では,その難易度に基づいて疑似ラベル付きサンプルを動的に選択するカリキュラム学習フレームワークを提案する。 また、回転推定に適した構造付きデータ拡張戦略を提案する。
• 参考スコア（独自算出の注目度）: 29.99542558572406
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Regressing 3D rotations of objects from 2D images is a crucial yet challenging task, with broad applications in autonomous driving, virtual reality, and robotic control. Existing rotation regression models often rely on large amounts of labeled data for training or require additional information beyond 2D images, such as point clouds or CAD models. Therefore, exploring semi-supervised rotation regression using only a limited number of labeled 2D images is highly valuable. While recent work FisherMatch introduces semi-supervised learning to rotation regression, it suffers from rigid entropy-based pseudo-label filtering that fails to effectively distinguish between reliable and unreliable unlabeled samples. To address this limitation, we propose a hardness-aware curriculum learning framework that dynamically selects pseudo-labeled samples based on their difficulty, progressing from easy to complex examples. We introduce both multi-stage and adaptive curriculum strategies to replace fixed-threshold filtering with more flexible, hardness-aware mechanisms. Additionally, we present a novel structured data augmentation strategy specifically tailored for rotation estimation, which assembles composite images from augmented patches to introduce feature diversity while preserving critical geometric integrity. Comprehensive experiments on PASCAL3D+ and ObjectNet3D demonstrate that our method outperforms existing supervised and semi-supervised baselines, particularly in low-data regimes, validating the effectiveness of our curriculum learning framework and structured augmentation approach.
• Abstract（参考訳）: 2D画像から物体の3D回転を後退させることは、自律運転、仮想現実、ロボット制御など、非常に難しい課題である。 既存の回転回帰モデルは、トレーニングのために大量のラベル付きデータに依存したり、ポイントクラウドやCADモデルのような2D画像以外の追加情報を必要とする場合が多い。 そのため,有限個のラベル付き2次元画像のみを用いた半教師付き回転回帰の探索は極めて貴重である。 近年のFisherMatchは、半教師付き学習を回転回帰に導入しているが、信頼性の高いサンプルと信頼性の低いサンプルを効果的に区別できない、厳密なエントロピーベースの擬似ラベルフィルタリングに悩まされている。 この制限に対処するために,疑似ラベル付きサンプルを動的に選択し,簡単な例から複雑な例へと進化させる,難易度対応のカリキュラム学習フレームワークを提案する。 固定閾値フィルタをより柔軟で硬度に配慮した機構に置き換えるための多段階・適応的なカリキュラム戦略を導入する。 さらに,特に回転推定に適した構造付きデータ拡張戦略を提案する。これは,拡張パッチから合成イメージを組み立て,特徴の多様性を導入し,重要な幾何学的整合性を保つ。 PASCAL3D+とObjectNet3Dの総合的な実験により,本手法は既存の教師付き・半教師付きベースライン,特に低データ体制において,カリキュラム学習フレームワークと構造化強化アプローチの有効性を検証した。

関連論文リスト

• Unified Unsupervised and Sparsely-Supervised 3D Object Detection by Semantic Pseudo-Labeling and Prototype Learning [0.0]
  3Dオブジェクト検出は、自律走行とロボット知覚に不可欠である。 アノテーション依存を減らすために、教師なしおよび疎監督のパラダイムが出現した。 本稿では、教師なしとスパースアップされた3Dオブジェクト検出のための統一的なトレーニングフレームワークであるSPLを提案する。
  論文  参考訳（メタデータ） (2026-02-25T01:26:34Z)
• Unsupervised Online 3D Instance Segmentation with Synthetic Sequences and Dynamic Loss [52.28880405119483]
  教師なしのオンライン3Dインスタンスのセグメンテーションは、基本的だが難しい課題だ。 UNITのような既存の手法はこの方向に進んできたが、訓練の多様性が制限されているままである。 本稿では,合成点雲列生成によるトレーニング分布の強化を目的とした新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-09-27T08:53:27Z)
• LargeAD: Large-Scale Cross-Sensor Data Pretraining for Autonomous Driving [88.85002707211777]
  LargeADは多用途でスケーラブルなフレームワークで、さまざまな現実世界の運転データセットにわたる大規模3D事前トレーニング用に設計されている。 我々のフレームワークはVFMを利用して2次元画像から意味的にリッチなスーパーピクセルを抽出する。 このアライメントは、クロスモーダルな表現学習を促進し、2Dデータと3Dデータのセマンティック一貫性を高める。
  論文  参考訳（メタデータ） (2025-01-07T18:59:59Z)
• SimLTD: Simple Supervised and Semi-Supervised Long-Tailed Object Detection [4.3512163406552]
  本稿では、オブジェクトクラスが自然に長い尾の分布に従うような環境でのオブジェクト検出の課題に焦点を当てる。 遠距離検出のための既存の方法は、低ショットのトレーニングインスタンスを拡張するために外部のImageNetラベルに頼っている。 我々は,人間のアノテーションの負担を伴わずに容易に収集できる,任意のラベル付き画像を活用する汎用的でスケーラブルなアプローチを提案する。
  論文  参考訳（メタデータ） (2024-12-28T06:29:40Z)
• Approaching Outside: Scaling Unsupervised 3D Object Detection from 2D Scene [22.297964850282177]
  教師なし3次元検出のためのLiDAR-2D Self-paced Learning (LiSe)を提案する。 RGB画像は、正確な2Dローカライゼーションキューを提供するLiDARデータの貴重な補完となる。 本フレームワークでは,適応型サンプリングと弱いモデルアグリゲーション戦略を組み込んだ自己評価学習パイプラインを考案する。
  論文  参考訳（メタデータ） (2024-07-11T14:58:49Z)
• FILP-3D: Enhancing 3D Few-shot Class-incremental Learning with Pre-trained Vision-Language Models [59.13757801286343]
  クラス増分学習(class-incremental learning)は、モデルが限られたデータで漸進的にトレーニングされている場合、破滅的な忘れの問題を軽減することを目的としている。 本稿では,特徴空間の不整合のための冗長特徴除去器 (RFE) と,重要な雑音に対する空間ノイズ補償器 (SNC) の2つの新しいコンポーネントを備えたFILP-3Dフレームワークを紹介する。
  論文  参考訳（メタデータ） (2023-12-28T14:52:07Z)
• Recurrent Multi-view Alignment Network for Unsupervised Surface Registration [79.72086524370819]
  非厳格な登録をエンドツーエンドで学習することは、本質的に高い自由度とラベル付きトレーニングデータの欠如により困難である。 我々は、いくつかの剛性変換のポイントワイドな組み合わせで、非剛性変換を表現することを提案する。 また,投影された多視点2次元深度画像上での3次元形状の類似度を計測する可微分損失関数も導入する。
  論文  参考訳（メタデータ） (2020-11-24T14:22:42Z)
• Weakly-Supervised 3D Human Pose Learning via Multi-view Images in the Wild [101.70320427145388]
  本稿では、3Dアノテーションを必要としない弱教師付きアプローチを提案し、ラベルのないマルチビューデータから3Dポーズを推定する。 提案手法を2つの大規模データセット上で評価する。
  論文  参考訳（メタデータ） (2020-03-17T08:47:16Z)

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。