論文の概要: RePL: Pseudo-label Refinement for Semi-supervised LiDAR Semantic Segmentation

• arxiv url: http://arxiv.org/abs/2604.06825v1
• Date: Wed, 08 Apr 2026 08:40:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-09 17:30:51.43154
• Title: RePL: Pseudo-label Refinement for Semi-supervised LiDAR Semantic Segmentation
• Title（参考訳）: RePL:半教師付き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擬似ラベルリファインメント
• Authors: Donghyeon Kwon, Taegyu Park, Suha Kwak,
• Abstract要約: LiDARセマンティックセグメンテーションのための半教師付き学習は、しばしばノイズのある擬似ラベルによる誤りの伝播と確認バイアスに悩まされる。 本稿では,疑似ラベルの潜在的な誤りを特定し,修正することで,擬似ラベルの品質を高める新しいフレームワークであるRePLを紹介する。 RePLは擬似ラベルの品質を大幅に向上させ,その結果,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最先端化を実現している。
• 参考スコア（独自算出の注目度）: 37.11830259758169
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Semi-supervised learning for LiDAR semantic segmentation often suffers from error propagation and confirmation bias caused by noisy pseudo-labels. To tackle this chronic issue, we introduce RePL, a novel framework that enhances pseudo-label quality by identifying and correcting potential errors in pseudo-labels through masked reconstruction, along with a dedicated training strategy. We also provide a theoretical analysis demonstrating the condition under which the pseudo-label refinement is beneficial, and empirically confirm that the condition is mild and clearly met by RePL. Extensive evaluations on the nuScenes-lidarseg and SemanticKITTI datasets show that RePL improves pseudo-label quality a lot and, as a result, achieves the state of the art in LiDAR semantic segmentation.
• Abstract（参考訳）: LiDARセマンティックセグメンテーションのための半教師付き学習は、しばしばノイズのある擬似ラベルによる誤りの伝播と確認バイアスに悩まされる。 この慢性的な問題に対処するために,マスク付き再構成による擬似ラベルの潜在的な誤りを特定し,修正することで,擬似ラベルの品質を高める新しいフレームワークであるRePLを導入する。 また,擬似ラベルリファインメントが有用である条件を示す理論的解析を行い,その条件が軽度でRePLにより明確に満たされていることを実証的に確認した。 nuScenes-lidarsegデータセットとSemanticKITTIデータセットの大規模な評価は、RePLが擬似ラベルの品質を大幅に改善し、その結果、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最先端を実現することを示している。

関連論文リスト

• ReHear: Iterative Pseudo-Label Refinement for Semi-Supervised Speech Recognition via Audio Large Language Models [12.527207210862151]
  ReHearは、自動音声認識における反復的な擬似ラベル改善のためのフレームワークである。 命令調整されたオーディオ対応の大規模言語モデルを自己学習ループに統合する。 ReHearはエラーの伝播を効果的に軽減し、教師付きベースラインと疑似ラベルベースラインの両方を一貫して上回ることを示す。
  論文  参考訳（メタデータ） (2026-02-21T05:04:22Z)
• Calibratable Disambiguation Loss for Multi-Instance Partial-Label Learning [53.9713678229744]
  MIPL(Multi-instance partial-label Learning)は、インスタンス空間とラベル空間の両方において、不正確な監督の課題に対処する弱い教師付きフレームワークである。 既存のMIPLアプローチは、しばしばキャリブレーションが悪く、信頼性を損なう。 分類精度と校正性能を同時に向上するプラグアンドプレイ校正型曖昧さ損失(CDL)を提案する。
  論文  参考訳（メタデータ） (2025-12-19T16:58:31Z)
• DiCaP: Distribution-Calibrated Pseudo-labeling for Semi-Supervised Multi-Label Learning [83.94574004953346]
  半教師付きマルチラベル学習は、ラベルのないデータを活用してモデルの性能を向上させることを目的としている。 既存の手法の多くは、その品質に関わらず、すべての擬似ラベルに等しい重みを割り当てる。 擬似ラベル重みの校正に後部精度を推定する正当性認識フレームワークDiCaPを提案する。
  論文  参考訳（メタデータ） (2025-11-25T11:55:02Z)
• Semi-Supervised Regression with Heteroscedastic Pseudo-Labels [50.54050677867914]
  両レベル最適化の観点から,疑似ラベルの影響を動的に調整する不確実性認識型擬似ラベル化フレームワークを提案する。 我々は、様々なベンチマークSSRデータセットにまたがって、我々のアプローチを検証するための理論的洞察と広範な実験を提供する。
  論文  参考訳（メタデータ） (2025-10-17T03:06:23Z)
• Rebalancing Multi-Label Class-Incremental Learning [17.921329790170265]
  ロスレベルとラベルレベル(RebLL)の両方に対するリバランスフレームワークを提案する。 AKDは、分類損失における負ラベル学習を強調することにより、損失レベルでの再均衡を図る。 ORはラベルのリバランスのために設計されており、行方不明のクラスをオンラインに解放することで、元のクラス分布をメモリ内で復元する。
  論文  参考訳（メタデータ） (2024-08-22T07:04:22Z)
• Revisiting Class Imbalance for End-to-end Semi-Supervised Object Detection [1.6249267147413524]
  半教師付きオブジェクト検出(SSOD)は、擬似ラベルに基づくエンドツーエンド手法の開発において大きな進歩を遂げている。 多くの手法は、擬似ラベルジェネレータの有効性を妨げるクラス不均衡のため、課題に直面している。 本稿では,低品質な擬似ラベルの根本原因と,ラベル生成品質を改善するための新しい学習メカニズムについて検討する。
  論文  参考訳（メタデータ） (2023-06-04T06:01:53Z)
• Semi-supervised Contrastive Outlier removal for Pseudo Expectation Maximization (SCOPE) [2.33877878310217]
  Pseudo expectation Maximization (SCOPE) のための半教師付きコントラスト外乱除去法を用いて, 共起誤差を抑制する新しい手法を提案する。 その結果,SCOPEはベースライン上での半教師付き分類精度を大幅に向上し,さらに整合正則化と組み合わせた場合,250と4000のラベル付きサンプルを用いた半教師付きCIFAR-10分類タスクにおいて最も高い精度が得られた。
  論文  参考訳（メタデータ） (2022-06-28T19:32:50Z)
• Rethinking Pseudo Labels for Semi-Supervised Object Detection [84.697097472401]
  物体検出に適した確実な擬似ラベルを導入する。 我々は,クラス不均衡問題を緩和するために,各カテゴリの擬似ラベルと再重み付き損失関数を生成するために使用する閾値を動的に調整する。 提案手法では,COCOのラベル付きデータのみを用いて,教師付きベースラインを最大10%改善する。
  論文  参考訳（メタデータ） (2021-06-01T01:32:03Z)
• Exploiting Sample Uncertainty for Domain Adaptive Person Re-Identification [137.9939571408506]
  各サンプルに割り当てられた擬似ラベルの信頼性を推定・活用し,ノイズラベルの影響を緩和する。 不確実性に基づく最適化は大幅な改善をもたらし、ベンチマークデータセットにおける最先端のパフォーマンスを達成します。
  論文  参考訳（メタデータ） (2020-12-16T04:09:04Z)

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。