Fugu-MT 論文翻訳(概要): Neural Distribution Prior for LiDAR Out-of-Distribution Detection

論文の概要: Neural Distribution Prior for LiDAR Out-of-Distribution Detection

arxiv url: http://arxiv.org/abs/2604.09232v1
Date: Fri, 10 Apr 2026 11:40:18 GMT
ステータス: 翻訳完了
システム内更新日: 2026-04-13 17:57:53.839643
Title: Neural Distribution Prior for LiDAR Out-of-Distribution Detection
Title（参考訳）: LiDARアウト・オブ・ディストリビューション検出に先立つ神経分布
Authors: Zizhao Li, Zhengkang Xiang, Jiayang Ao, Feng Liu, Joseph West, Kourosh Khoshelham,
Abstract要約: LiDARに基づく認識は、低照度と可視性条件に対する堅牢性のために、自律運転に不可欠である。現在のモデルはクローズドセットの仮定の下で動作し、しばしばオープンワールドにおける予期せぬアウト・オブ・ディストリビューション(OOD)オブジェクトを認識するのに失敗する。本稿では,ネットワーク予測の分布構造をモデル化し,学習前の分布とのアライメントに基づいてOODスコアを適応的に再重み付けするフレームワークであるNeural Distribution Prior (NDP)を提案する。
参考スコア（独自算出の注目度）: 6.46053482981698
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: LiDAR-based perception is critical for autonomous driving due to its robustness to poor lighting and visibility conditions. Yet, current models operate under the closed-set assumption and often fail to recognize unexpected out-of-distribution (OOD) objects in the open world. Existing OOD scoring functions exhibit limited performance because they ignore the pronounced class imbalance inherent in LiDAR OOD detection and assume a uniform class distribution. To address this limitation, we propose the Neural Distribution Prior (NDP), a framework that models the distributional structure of network predictions and adaptively reweights OOD scores based on alignment with a learned distribution prior. NDP dynamically captures the logit distribution patterns of training data and corrects class-dependent confidence bias through an attention-based module. We further introduce a Perlin noise-based OOD synthesis strategy that generates diverse auxiliary OOD samples from input scans, enabling robust OOD training without external datasets. Extensive experiments on the SemanticKITTI and STU benchmarks demonstrate that NDP substantially improves OOD detection performance, achieving a point-level AP of 61.31\% on the STU test set, which is more than 10$\times$ higher than the previous best result. Our framework is compatible with various existing OOD scoring formulations, providing an effective solution for open-world LiDAR perception.
Abstract（参考訳）: LiDARに基づく認識は、低照度と可視性条件に対する堅牢性のために、自律運転に不可欠である。しかし、現在のモデルはクローズドセットの仮定の下で動作し、しばしばオープンワールドにおける予期せぬアウト・オブ・ディストリビューション(OOD)オブジェクトを認識するのに失敗する。既存のOODスコアリング機能は、LiDAR OOD検出に固有の顕著なクラス不均衡を無視し、均一なクラス分布を仮定するため、限られた性能を示す。この制限に対処するため,ネットワーク予測の分布構造をモデル化し,学習前の分布とのアライメントに基づいてOODスコアを適応的に再重み付けするフレームワークであるNeural Distribution Prior (NDP)を提案する。 NDPは、トレーニングデータのロジット分布パターンを動的にキャプチャし、アテンションベースのモジュールを通じてクラス依存の信頼性バイアスを修正する。さらに、入力スキャンから多様な補助OODサンプルを生成するPerlinノイズに基づくOOD合成戦略を導入し、外部データセットを使わずに堅牢なOODトレーニングを可能にする。 SemanticKITTI と STU のベンチマークによる大規模な実験により、NDP は OOD の検出性能を大幅に改善し、STU テストセットで 61.31 % の点レベル AP を実現した。我々のフレームワークは、既存のOODスコアリングの定式化と互換性があり、オープンワールドのLiDAR知覚に有効なソリューションを提供する。

関連論文リスト

ProOOD: Prototype-Guided Out-of-Distribution 3D Occupancy Prediction [77.70461178466043]
3Dセマンティック占有予測は自動運転の中心である。現在の手法は、長い尾のクラスバイアスとアウト・オブ・ディストリビューション(OOD)インプットに弱い。本稿では,プロトタイプ誘導改良とトレーニング不要なOODスコアを併用した,軽量なプラグアンドプレイ方式ProOODを提案する。
論文参考訳（メタデータ） (2026-04-01T16:11:59Z)
Learning to Explore: Policy-Guided Outlier Synthesis for Graph Out-of-Distribution Detection [51.93878677594561]
教師なしグラフレベルのOOD検出では、モデルは通常、IDデータのみを使用して訓練される。本稿では,スタティックスを学習した探索戦略に置き換える政策誘導型アウトリア合成フレームワークを提案する。
論文参考訳（メタデータ） (2026-02-28T11:40:18Z)
Out-of-Distribution Learning with Human Feedback [26.398598663165636]
本稿では,人的フィードバックによるOOD学習のための新しい枠組みを提案する。当社のフレームワークは、無償で利用可能な未ラベルデータに便乗しています。人間のフィードバックを利用して、機械学習モデルの堅牢性と信頼性を高める。
論文参考訳（メタデータ） (2024-08-14T18:49:27Z)
WeiPer: OOD Detection using Weight Perturbations of Class Projections [11.130659240045544]
入力のよりリッチな表現を生成する最終完全連結層にクラスプロジェクションの摂動を導入する。我々はOpenOODフレームワークの複数のベンチマークで最先端のOOD検出結果を得る。
論文参考訳（メタデータ） (2024-05-27T13:38:28Z)
Learning to Augment Distributions for Out-of-Distribution Detection [49.12437300327712]
アウト・オブ・ディストリビューション (OOD) は、ラベルがイン・ディストリビューション (ID) の場合と区別される。我々は,OODの分布差を軽減するためにDAL(distributal-Augmented OOD Learning)を提案する。
論文参考訳（メタデータ） (2023-11-03T09:19:33Z)
Image Background Serves as Good Proxy for Out-of-distribution Data [5.568677882434485]
アウト・オブ・ディストリビューション(OOD)検出は、オープンワールドにおける未知のデータを特定するために、クローズドイメージセットでトレーニングされたモデルに権限を与える。我々は、既存の多くのメソッドを解釈する一般的な確率的フレームワークと、textbfSelfで教師された textbfSampling for textbfOOD textbfDetection (SSOD) を用いた OOD-data-free モデルを提案する。
論文参考訳（メタデータ） (2023-07-02T09:02:53Z)
Energy-based Out-of-Distribution Detection for Graph Neural Networks [76.0242218180483]
我々は,GNNSafeと呼ばれるグラフ上での学習のための,シンプルで強力で効率的なOOD検出モデルを提案する。 GNNSafeは、最先端技術に対するAUROCの改善を最大17.0%で達成しており、そのような未開発領域では単純だが強力なベースラインとして機能する可能性がある。
論文参考訳（メタデータ） (2023-02-06T16:38:43Z)
Pseudo-OOD training for robust language models [78.15712542481859]
OOD検出は、あらゆる産業規模のアプリケーションに対する信頼性の高い機械学習モデルの鍵となるコンポーネントである。 In-distribution(IND)データを用いて擬似OODサンプルを生成するPOORE-POORE-POSthoc pseudo-Ood Regularizationを提案する。我々は3つの現実世界の対話システムに関する枠組みを広く評価し、OOD検出における新たな最先端技術を実現した。
論文参考訳（メタデータ） (2022-10-17T14:32:02Z)
RODD: A Self-Supervised Approach for Robust Out-of-Distribution Detection [12.341250124228859]
本稿では,分散データセットに依存しない簡易かつ効果的なOOD検出手法を提案する。提案手法は, コンパクトな低次元空間上に埋没するトレーニングサンプルの自己教師型特徴学習に依存する。自己教師付きコントラスト学習を用いた事前学習モデルでは、潜伏空間における一次元特徴学習のより良いモデルが得られることを実証的に示す。
論文参考訳（メタデータ） (2022-04-06T03:05:58Z)

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。