論文の概要: FugSeg: Fast Uncertainty-aware Ground Segmentation for 3D Point Cloud
- arxiv url: http://arxiv.org/abs/2605.08952v1
- Date: Sat, 09 May 2026 13:44:48 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-12 23:28:49.987402
- Title: FugSeg: Fast Uncertainty-aware Ground Segmentation for 3D Point Cloud
- Title（参考訳）: FugSeg: 3Dポイントクラウドのための高速な不確実性認識グラウンドセグメンテーション
- Abstract要約: FugSegは高速不確実性認識地上分割法である。
極格子マップが点雲表現として採用され、LiDARタイプ間の一般化性を保証する。
内部および横断的な接地ラベリング戦略は、直接見える接地細胞だけでなく、孤立または閉鎖されている細胞も識別する。
点レベルの接地セグメンテーションを実現するために, きめ細かい地盤標高推定法を導入する。
- 参考スコア（独自算出の注目度）: 5.833408604400841
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In LiDAR-based environment perception systems, ground segmentation is a key preprocessing step supporting various applications such as mapping and navigation. Although extensively studied, problems such as reflection noise and isolated ground remain challenging. To address these issues, we propose FugSeg, a fast uncertainty-aware ground segmentation method. A polar grid map is adopted as the point cloud representation to ensure generalizability across LiDAR types. Building on that, we develop a within- and cross-segment ground labeling strategy that identifies not only directly visible ground cells but also those that are isolated or occluded. During this process, an adaptive slope is introduced, which incorporates measurement uncertainties to enhance its reliability under complex terrain. Finally, to achieve point-level ground segmentation, a fine-grained ground elevation estimation method is introduced. Throughout the complete workflow, reflection noise is explicitly handled via the proposed noisy ground cells. We conduct comprehensive evaluations on four public datasets covering both structured and unstructured environments. Results show that FugSeg outperforms state-of-the-art non-learning methods, achieving the highest F1, accuracy, and mIoU across all datasets, while maintaining the fastest runtime (135 Hz and 487 Hz for 64- and 32-layer LiDARs) using a single CPU thread, making it suitable for resource-limited systems. The code will be available at https://github.com/Leo-YuLi/FugSeg.
- Abstract（参考訳）: LiDARベースの環境認識システムでは、グラウンドセグメンテーションはマッピングやナビゲーションといった様々なアプリケーションをサポートする重要な前処理ステップである。
広範に研究されているが、反射音や孤立した地盤などの問題はいまだに困難なままである。
これらの問題に対処するために,高速不確実性を考慮したグラウンドセグメンテーション法であるFugSegを提案する。
極格子マップが点雲表現として採用され、LiDARタイプ間の一般化性を保証する。
そこで我々は, 直接見える地層細胞だけでなく, 孤立あるいは隠蔽された細胞も識別する, 内・横断的な地層ラベリング戦略を構築した。
この過程で、複雑な地形下での信頼性を高めるため、測定の不確実性を含む適応勾配が導入された。
最後に, 点レベルの接地セグメンテーションを実現するために, 微粒な接地位置推定手法を提案する。
完全なワークフローを通して、反射ノイズは提案したノイズの多い基底細胞を介して明示的に処理される。
構造化環境と非構造化環境の両方をカバーする4つの公開データセットについて包括的な評価を行う。
その結果、FugSegは最先端の非学習手法より優れ、全データセットで最高F1、精度、mIoUを達成しつつ、単一のCPUスレッドを使用して最速のランタイム(64層および32層LiDARでは135Hzと487Hz)を維持し、リソース制限システムに適していることがわかった。
コードはhttps://github.com/Leo-YuLi/FugSeg.comで入手できる。
関連論文リスト
- EEVEE: Towards Test-time Prompt Learning in the Real World for Self-Improving Agents [64.96332056338923]
EEVEEは、LLMエージェントのための最初のマルチデータセットテスト時プロンプト学習フレームワークである。
実世界のタスクストリーム下でテスト時のプロンプト学習を可能にする。
EEVEEはQwen3-4B-InstructとDeepSeek-V3.2で平均マルチベンチマークスコアを10.38点、24.32点改善している。
論文 参考訳（メタデータ） (2026-06-09T17:57:16Z) - SegEarth-OV3: Exploring SAM 3 for Open-Vocabulary Semantic Segmentation in Remote Sensing Images [51.42466259821335]
我々は, SAM 3 をリモートセンシング OVSS タスクに適用するための予備的な検討を行った。
まず,SAM 3のセマンティックセグメンテーションヘッドとトランスフォーマーデコーダの出力を組み合わせたマスク融合戦略を実装した。
第2に、シーンに存在しないカテゴリをフィルタリングするために、プレゼンスヘッドからのプレゼンススコアを利用する。
論文 参考訳（メタデータ） (2025-12-09T15:42:28Z) - 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) - An Enhanced Classification Method Based on Adaptive Multi-Scale Fusion for Long-tailed Multispectral Point Clouds [67.96583737413296]
長距離分布を持つMPCに対する適応的マルチスケール融合に基づく拡張型分類法を提案する。
トレーニングセット生成段階では、スパースラベル付きデータセットからトレーニングサンプルを確実に生成するグリッドバランスサンプリング戦略が設計されている。
特徴学習の段階では,異なるスケールの土地被覆の浅い特徴を融合させるため,マルチスケールの特徴融合モジュールが提案されている。
論文 参考訳（メタデータ） (2024-12-16T03:21:20Z) - GroundGrid:LiDAR Point Cloud Ground Segmentation and Terrain Estimation [0.7373617024876724]
本研究では,2次元標高マップを用いて地形推定と点雲地分断問題を解くシステムであるGroundGridを提案する。
グラウンドグリッドのグラウンドセグメンテーションと地形推定性能を評価し,他の最先端手法と比較した。
この結果から、GroundGridは平均94.78%のIoUで他の最先端システムよりも高速で171Hzの性能を維持することができることがわかった。
論文 参考訳（メタデータ） (2024-05-24T16:02:44Z) - 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) - Flattening-Net: Deep Regular 2D Representation for 3D Point Cloud
Analysis [66.49788145564004]
我々は、任意の幾何学と位相の不規則な3次元点雲を表現するために、Flattning-Netと呼ばれる教師なしのディープニューラルネットワークを提案する。
我々の手法は、現在の最先端の競合相手に対して好意的に機能する。
論文 参考訳（メタデータ） (2022-12-17T15:05:25Z) - Patchwork++: Fast and Robust Ground Segmentation Solving Partial
Under-Segmentation Using 3D Point Cloud [7.111443975103329]
いくつかのグラウンドセグメンテーション法では、周囲に応じてパラメータを微調整する必要がある。
部分的な部分分割問題は依然として発生しうるが、これは一部の地域でのグラウンドセグメンテーションの失敗を意味する。
3次元LiDARモデルに基づいて,仮想ノイズを効率的に除去する反射ノイズ除去(RNR)を提案する。
論文 参考訳（メタデータ） (2022-07-25T06:09:02Z) - Patchwork: Concentric Zone-based Region-wise Ground Segmentation with
Ground Likelihood Estimation Using a 3D LiDAR Sensor [0.1657441317977376]
地上のセグメンテーションは、地上の移動プラットフォームがナビゲーションや近隣の物体認識を行うために不可欠である。
提案手法は, 未分割問題に対処するために頑健なtextitPatchwork という新しいグラウンドセグメンテーション手法を提案する。
論文 参考訳（メタデータ） (2021-08-12T06:52:10Z) - PointFlow: Flowing Semantics Through Points for Aerial Image
Segmentation [96.76882806139251]
本論文では,FPN(Feature Pyramid Network)フレームワークに基づく点親和性伝播モジュールであるPointFlowを提案する。
密接な親和性学習ではなく、隣接する特徴間の選択された点にスパース親和性マップを生成する。
3つの異なる空中セグメンテーションデータセットの実験結果から,提案手法は最先端の汎用セグメンテーション法よりも効率的かつ効率的であることが示唆された。
論文 参考訳（メタデータ） (2021-03-11T09:42:32Z) - A Fast Point Cloud Ground Segmentation Approach Based on Coarse-To-Fine
Markov Random Field [0.32546166337127946]
粗いマルコフ確率場(MRF)法に基づく高速点雲場分割手法を提案する。
提案手法は, 地盤のセグメンテーション精度の点で他のアルゴリズムよりも優れていることを示した。
論文 参考訳（メタデータ） (2020-11-26T06:07:24Z)
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。