論文の概要: HyperLiDAR: Adaptive Post-Deployment LiDAR Segmentation via Hyperdimensional Computing

• arxiv url: http://arxiv.org/abs/2604.12331v1
• Date: Tue, 14 Apr 2026 06:14:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-15 19:11:32.276468
• Title: HyperLiDAR: Adaptive Post-Deployment LiDAR Segmentation via Hyperdimensional Computing
• Title（参考訳）: HyperLiDAR: 超次元計算による適応的デプロイ後LiDARセグメンテーション
• Authors: Ivannia Gomez Moreno, Yi Yao, Ye Tian, Xiaofan Yu, Flavio Ponzina, Michael Sullivan, Jingyi Zhang, Mingyu Yang, Hun Seok Kim, Tajana Rosing,
• Abstract要約: HyperLiDARは、超次元コンピューティング(HDC)に基づく軽量でデプロイ後のLiDARセグメンテーションフレームワークである 以上の結果から,HyperLiDARは最先端セグメンテーション手法に匹敵する性能を示した。
• 参考スコア（独自算出の注目度）: 27.849630713818247
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: LiDAR semantic segmentation plays a pivotal role in 3D scene understanding for edge applications such as autonomous driving. However, significant challenges remain for real-world deployments, particularly for on-device post-deployment adaptation. Real-world environments can shift as the system navigates through different locations, leading to substantial performance degradation without effective and timely model adaptation. Furthermore, edge systems operate under strict computational and energy constraints, making it infeasible to adapt conventional segmentation models (based on large neural networks) directly on-device. To address the above challenges, we introduce HyperLiDAR, the first lightweight, post-deployment LiDAR segmentation framework based on Hyperdimensional Computing (HDC). The design of HyperLiDAR fully leverages the fast learning and high efficiency of HDC, inspired by how the human brain processes information. To further improve the adaptation efficiency, we identify the high data volume per scan as a key bottleneck and introduce a buffer selection strategy that focuses learning on the most informative points. We conduct extensive evaluations on two state-of-the-art LiDAR segmentation benchmarks and two representative devices. Our results show that HyperLiDAR outperforms or achieves comparable adaptation performance to state-of-the-art segmentation methods, while achieving up to a 13.8x speedup in retraining.
• Abstract（参考訳）: LiDARセマンティックセグメンテーションは、自律運転のようなエッジアプリケーションにおいて、3Dシーン理解において重要な役割を果たす。 しかしながら、実際のデプロイメント、特にデバイス上でのデプロイ後の適応には、大きな課題が残っている。 システムが異なる場所をナビゲートするにつれて現実の環境が変化し、効果的でタイムリーなモデル適応なしにパフォーマンスが大幅に低下する。 さらにエッジシステムは厳密な計算とエネルギーの制約の下で動作し、従来のセグメンテーションモデル(大規模なニューラルネットワークに基づく)を直接デバイス上で適用することは不可能である。 上記の課題に対処するため,Hyperdimensional Computing (HDC) をベースとした最初の軽量後展開LiDARセグメンテーションフレームワークであるHyperLiDARを紹介した。 HyperLiDARの設計は、人間の脳が情報を処理する方法に触発されて、HDCの高速な学習と高効率を十分に活用する。 適応効率をさらに向上するため、スキャン毎の高データボリュームを鍵ボトルネックとして認識し、最も情報性の高い点に学習を集中させるバッファ選択戦略を導入する。 我々は2つの最先端LiDARセグメンテーションベンチマークと2つの代表デバイスについて広範な評価を行う。 以上の結果から,HyperLiDARは最先端セグメンテーション手法に匹敵する性能を示し,また再トレーニングでは最大13.8倍の高速化を実現している。

関連論文リスト

• DAS-SK: An Adaptive Model Integrating Dual Atrous Separable and Selective Kernel CNN for Agriculture Semantic Segmentation [0.9204659134755793]
  DAS-SKは、選択的なカーネル畳み込み(SK-Conv)をデュアルアラス分離型畳み込み(DAS-Conv)モジュールに再適合させる、新しい軽量アーキテクチャである。 DAS-SKは、CNNやトランスフォーマー、ハイブリッドベースの競合よりも効率的でありながら、最先端のパフォーマンスを一貫して達成している。
  論文  参考訳（メタデータ） (2026-02-09T00:14:39Z)
• Real-Time Lane Detection via Efficient Feature Alignment and Covariance Optimization for Low-Power Embedded Systems [22.603468261037975]
  組込みシステムにおけるリアルタイム車線検出は、RGB画像の微妙でスパースな視覚信号のため、重大な課題に直面している。 本稿では,効率的なリアルタイムアプリケーションに特化して設計された,革新的な共分散分散最適化(CDO)モジュールを提案する。 CDOモジュールは、車線特徴分布を地上構造ラベルと密接に一致させ、計算複雑性を増大させることなく検出精度を大幅に向上させる。
  論文  参考訳（メタデータ） (2026-01-05T00:06:06Z)
• Guided Model-based LiDAR Super-Resolution for Resource-Efficient Automotive scene Segmentation [45.90080021000846]
  高分解能LiDARデータは、自律運転のための3Dセマンティックセグメンテーションにおいて重要な役割を果たす。 対照的に、16チャンネルのLiDARのような低コストのセンサーは、セグメンテーション精度を低下させるスパース点雲を生成する。 我々は,LiDARスーパーレゾリューション(SR)とセマンティックセグメンテーションを共同で扱う最初のエンドツーエンドフレームワークを紹介する。
  論文  参考訳（メタデータ） (2025-09-01T10:01:40Z)
• FLARES: Fast and Accurate LiDAR Multi-Range Semantic Segmentation [52.89847760590189]
  3Dシーンの理解は、自動運転における重要な課題である。 近年の手法では、レンジビュー表現を利用して処理効率を向上している。 範囲ビューに基づく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ワークフローを再設計する。
  論文  参考訳（メタデータ） (2025-02-13T12:39:26Z)
• FusionLLM: A Decentralized LLM Training System on Geo-distributed GPUs with Adaptive Compression [55.992528247880685]
  分散トレーニングは、システム設計と効率に関する重要な課題に直面します。 大規模深層ニューラルネットワーク(DNN)のトレーニング用に設計・実装された分散トレーニングシステムFusionLLMを提案する。 本システムと手法は,収束性を確保しつつ,ベースライン法と比較して1.45～9.39倍の高速化を実現可能であることを示す。
  論文  参考訳（メタデータ） (2024-10-16T16:13:19Z)
• An Empirical Study of Training State-of-the-Art LiDAR Segmentation Models [25.28234439927537]
  MMDetection3D-lidarsegは、最先端LiDARセグメンテーションモデルの効率的なトレーニングと評価のための包括的なツールボックスである。 我々は、幅広いセグメンテーションモデルをサポートし、堅牢性と効率を高めるために高度なデータ拡張技術を統合する。 統一されたフレームワークを育むことで、MMDetection3D-lidarsegは開発とベンチマークを合理化し、研究とアプリケーションのための新しい標準を設定します。
  論文  参考訳（メタデータ） (2024-05-23T17:59:57Z)
• Multi-Modal Data-Efficient 3D Scene Understanding for Autonomous Driving [58.16024314532443]
  我々は、異なるLiDARスキャンからレーザービーム操作を統合するフレームワークであるLaserMix++を導入し、データ効率の学習を支援するためにLiDAR-カメラ対応を組み込んだ。 結果は、LaserMix++が完全に教師付き代替よりも優れており、5倍のアノテーションで同等の精度を実現していることを示している。 この大幅な進歩は、LiDARベースの3Dシーン理解システムにおける広範囲なラベル付きデータへの依存を減らすための半教師付きアプローチの可能性を示している。
  論文  参考訳（メタデータ） (2024-05-08T17:59:53Z)
• Multi-Exit Semantic Segmentation Networks [78.44441236864057]
  本稿では,最先端セグメンテーションモデルをMESSネットワークに変換するフレームワークを提案する。 パラメトリド早期出口を用いた特別訓練されたCNNは、より簡単なサンプルの推測時に、その深さに沿って保存する。 接続されたセグメンテーションヘッドの数、配置、アーキテクチャとエグジットポリシーを併用して、デバイス機能とアプリケーション固有の要件に適応する。
  論文  参考訳（メタデータ） (2021-06-07T11:37:03Z)
• LiDAR-based Panoptic Segmentation via Dynamic Shifting Network [56.71765153629892]
  LiDARベースのパノプティカルセグメンテーションは、オブジェクトとシーンを統一的に解析することを目的としている。 本稿では,ポイントクラウド領域における効果的な単視分割フレームワークとして機能する動的シフトネットワーク(DS-Net)を提案する。 提案するDS-Netは,現在の最先端手法よりも優れた精度を実現する。
  論文  参考訳（メタデータ） (2020-11-24T08:44:46Z)

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。