論文の概要: TerraSeg: Self-Supervised Ground Segmentation for Any LiDAR

• arxiv url: http://arxiv.org/abs/2603.27344v1
• Date: Sat, 28 Mar 2026 17:31:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-31 23:18:44.914151
• Title: TerraSeg: Self-Supervised Ground Segmentation for Any LiDAR
• Title（参考訳）: TerraSeg:LiDARの自己監督型グラウンドセグメンテーション
• Authors: Ted Lentsch, Santiago Montiel-Marín, Holger Caesar, Dariu M. Gavrila,
• Abstract要約: 本稿では,LiDAR地上セグメンテーションのための自己教師型ドメイン非依存モデルTerraSegを紹介する。 私たちはOmniLiDARでTerraSegをトレーニングします。12の主要な公開ベンチマークからデータを集約し、標準化する大規模なデータセットです。 人間のアノテーションを使わずにトレーニングを監督するために,高品質なグラウンドラベルと非グラウンドラベルを生成する新しいモジュールであるPseudoLabelerを提案する。
• 参考スコア（独自算出の注目度）: 12.936263370916443
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: LiDAR perception is fundamental to robotics, enabling machines to understand their environment in 3D. A crucial task for LiDAR-based scene understanding and navigation is ground segmentation. However, existing methods are either handcrafted for specific sensor configurations or rely on costly per-point manual labels, severely limiting their generalization and scalability. To overcome this, we introduce TerraSeg, the first self-supervised, domain-agnostic model for LiDAR ground segmentation. We train TerraSeg on OmniLiDAR, a unified large-scale dataset that aggregates and standardizes data from 12 major public benchmarks. Spanning almost 22 million raw scans across 15 distinct sensor models, OmniLiDAR provides unprecedented diversity for learning a highly generalizable ground model. To supervise training without human annotations, we propose PseudoLabeler, a novel module that generates high-quality ground and non-ground labels through self-supervised per-scan runtime optimization. Extensive evaluations demonstrate that, despite using no manual labels, TerraSeg achieves state-of-the-art results on nuScenes, SemanticKITTI, and Waymo Perception while delivering real-time performance. Our code and model weights are publicly available.
• Abstract（参考訳）: LiDARの認識はロボット工学の基本であり、機械が環境を3Dで理解できるようにする。 LiDARベースのシーン理解とナビゲーションのための重要なタスクは、グラウンドセグメンテーションである。 しかし、既存の手法は、特定のセンサー構成のために手作りされているか、ポイント当たりの高価な手動ラベルに依存しており、その一般化とスケーラビリティを著しく制限している。 そこで本研究では,LiDAR地上セグメンテーションのための自己教師型ドメイン非依存モデルTerraSegを紹介する。 私たちはOmniLiDARでTerraSegをトレーニングします。12の主要な公開ベンチマークからデータを集約し、標準化する大規模なデータセットです。 OmniLiDARは15のセンサーモデルで約2200万の生スキャンを行い、非常に一般化可能な地上モデルを学ぶための前例のない多様性を提供します。 提案するPseudoLabelerは,自動教師付き実行時最適化により,高品質な地上・非地上ラベルを生成するモジュールである。 大規模な評価では、手動ラベルを使用していないにも関わらず、TerraSegは、リアルタイムのパフォーマンスを提供しながら、nuScenes、SemanticKITTI、Waymo Perceptionに関する最先端の結果を達成している。 コードとモデルの重み付けは公開されています。

関連論文リスト

• Annotation Free Spacecraft Detection and Segmentation using Vision Language Models [14.77089626655396]
  視覚言語モデル(VLM)は、オープンワールドのゼロショット視覚認識において顕著な性能を示した。 本稿では,VLMを用いた空間目標に対するアノテーションのない検出・セグメンテーションパイプラインを提案する。 我々のアプローチは、事前訓練されたVLMを用いて、ラベルのない実データの小さなサブセットに対して擬似ラベルを自動的に生成することから始まる。 擬似ラベルに固有のノイズにもかかわらず、蒸留プロセスは直接ゼロショットVLM推論よりもかなりの性能向上をもたらす。
  論文  参考訳（メタデータ） (2026-02-04T16:07:29Z)
• Exploring Single Domain Generalization of LiDAR-based Semantic Segmentation under Imperfect Labels [28.96799571666756]
  雑音ラベル(DGLSS-NL)に基づくLiDARのための新しいタスク領域一般化について紹介する。 既存の雑音ラベル学習アプローチは,LiDARデータに適合しないことがわかった。 特徴レベルの一貫性を強制し、予測の信頼度を考慮したフィルタリングに基づくクロスエントロピー損失を適用した、強い分岐と弱い分岐を持つデュアルビューフレームワークであるDuNeを提案する。
  論文  参考訳（メタデータ） (2025-10-10T06:11:34Z)
• Finetuning Pre-trained Model with Limited Data for LiDAR-based 3D Object Detection by Bridging Domain Gaps [8.897884780881535]
  LiDARベースの3Dオブジェクト検出器は、センサーの設定が異なるターゲットドメインにうまく適応できないことが多い。 近年の研究では、トレーニング済みのバックボーンは大規模でラベルのないLiDARフレームで自己管理的に学習できることが示唆されている。 本研究では,対象データに制限のある事前学習モデルを適用するために,DADT(Domain Adaptive Distill-Tuning)と呼ばれる新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-10-02T08:22:42Z)
• Cross-sensor self-supervised training and alignment for remote sensing [2.1178416840822027]
  リモートセンシング(X-STARS)のためのクロスセンサ・セルフ教師付きトレーニングとアライメントを導入する。 X-STARSは、スクラッチからモデルを訓練したり、低解像度のEOデータに基づいて事前訓練された大型モデルを新しい高解像度センサーに適応させることができる。 我々は、X-STARSが、データの可用性と解像度の様々な条件において、より少ないデータで最先端のマージンを達成していることを示す。
  論文  参考訳（メタデータ） (2024-05-16T09:25:45Z)
• Navya3DSeg -- Navya 3D Semantic Segmentation Dataset & split generation for autonomous vehicles [63.20765930558542]
  3Dセマンティックデータは、障害物検出やエゴ-車両の局所化といった中核的な認識タスクに有用である。 そこで我々は,大規模生産段階の運用領域に対応する多様なラベル空間を持つ新しいデータセットであるNavala 3D(Navya3DSeg)を提案する。 ラベルのない23のラベル付きシーケンスと25の補足シーケンスが含まれており、ポイントクラウド上の自己教師付きおよび半教師付きセマンティックセマンティックセグメンテーションベンチマークを探索するために設計された。
  論文  参考訳（メタデータ） (2023-02-16T13:41:19Z)
• Benchmarking the Robustness of LiDAR Semantic Segmentation Models [78.6597530416523]
  本稿では,LiDARセマンティックセグメンテーションモデルのロバスト性を,様々な汚職の下で包括的に解析することを目的とする。 本稿では,悪天候,計測ノイズ,デバイス間不一致という3つのグループで16のドメイン外LiDAR破損を特徴とするSemanticKITTI-Cというベンチマークを提案する。 我々は、単純だが効果的な修正によってロバスト性を大幅に向上させるロバストLiDARセグメンテーションモデル(RLSeg)を設計する。
  論文  参考訳（メタデータ） (2023-01-03T06:47:31Z)
• LaserMix for Semi-Supervised LiDAR Semantic Segmentation [56.73779694312137]
  We study the underexplored semi-supervised learning (SSL) in LiDAR segmentation。 当社の中核となる考え方は、LiDAR点雲の強い空間的手がかりを活用して、ラベルのないデータをうまく活用することです。 我々は、異なるLiDARスキャンからレーザービームを混合し、一貫性と自信のある予測を行うことを奨励するLaserMixを提案する。
  論文  参考訳（メタデータ） (2022-06-30T18:00:04Z)
• AutoGeoLabel: Automated Label Generation for Geospatial Machine Learning [69.47585818994959]
  リモートセンシングデータのためのラベルの自動生成のためのビッグデータ処理パイプラインを評価する。 我々は,大規模データプラットフォームであるIBM PAIRSを用いて,密集都市部でそのようなラベルを動的に生成する。
  論文  参考訳（メタデータ） (2022-01-31T20:02:22Z)
• Deep Soft Procrustes for Markerless Volumetric Sensor Alignment [81.13055566952221]
  本研究では、より堅牢なマルチセンサ空間アライメントを実現するために、マーカーレスデータ駆動対応推定を改善する。 我々は、幾何学的制約を終末的に典型的なセグメンテーションベースモデルに組み込み、対象のポーズ推定タスクと中間密な分類タスクをブリッジする。 実験により,マーカーベースの手法で同様の結果が得られ,マーカーレス手法よりも優れ,またキャリブレーション構造のポーズ変動にも頑健であることがわかった。
  論文  参考訳（メタデータ） (2020-03-23T10:51:32Z)

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。