論文の概要: Collaborative Learning for Semi-Supervised LiDAR Semantic Segmentation

• arxiv url: http://arxiv.org/abs/2605.17135v1
• Date: Sat, 16 May 2026 19:58:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-19 17:57:47.699937
• Title: Collaborative Learning for Semi-Supervised LiDAR Semantic Segmentation
• Title（参考訳）: 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協調学習
• Authors: Bin Yang, Alexandru Paul Condurache,
• Abstract要約: LiDAR半教師付きセグメンテーション(CoLLiS)のための協調学習 CoLLiSは、同じ学生として扱うことで、複数の表現をひとつのステップで協調的に訓練する。 3つのデータセットの実験では、CoLLiSが最先端のLiDAR SemiSLメソッドを一貫して上回っていることが示されている。
• 参考スコア（独自算出の注目度）: 51.15174185939441
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Annotating large-scale LiDAR point clouds for 3D semantic segmentation is costly and time-consuming, which motivates the use of semi-supervised learning (SemiSL). Standard LiDAR SemiSL methods typically adopt a two-step training paradigm, where pseudo-labels are separately generated from a single distillation source, either from the same or another LiDAR representation. Such supervision relies on a unique source of pseudo-labels, which can reinforce confirmation bias and propagate errors during training, ultimately limiting performance. To address this challenge, we introduce CoLLiS, a novel framework that leverages Collaborative Learning for LiDAR Semi-supervised segmentation. Unlike prior paradigms with decoupled pseudo-labeling and training phases, CoLLiS trains multiple representations collaboratively in a single step by treating them as coequal students. Each student is adaptively distilled from multiple representations, while inter-student disparities are monitored online to resolve contradictory supervision and effectively mitigate confirmation bias. Extensive experiments on three datasets demonstrate that CoLLiS consistently outperforms state-of-the-art LiDAR SemiSL methods, with particularly strong gains in low-label regimes.
• Abstract（参考訳）: 3次元セマンティックセグメンテーションのための大規模LiDAR点雲の注釈付けはコストと時間を要するため、セミ教師付き学習(SemiSL)の利用が動機となっている。 標準的なLiDAR SemiSL法は、2段階の訓練パラダイムを採用しており、擬似ラベルは同じまたは別のLiDAR表現から1つの蒸留源から別々に生成される。 このような監督は、検証バイアスを強化し、トレーニング中にエラーを伝播し、最終的にはパフォーマンスを制限できる、ユニークな擬似ラベルのソースに依存している。 この課題に対処するため,我々は,LiDARセミ教師付きセグメンテーションのための協調学習を活用した新しいフレームワークであるCoLLiSを紹介した。 分離された擬似ラベルとトレーニングフェーズを持つ以前のパラダイムとは異なり、CoLLiSは、同一の学生として扱うことで、ひとつのステップで複数の表現を協調的に訓練する。 各学生は複数の表現から適応的に蒸留され、学生間の格差はオンラインで監視され、矛盾する監督を解消し、効果的に確認バイアスを軽減する。 3つのデータセットに対する大規模な実験により、CoLLiSは最先端のLiDAR SemiSL法を一貫して上回り、特に低ラベルのレギュレーションでは顕著に向上していることが示された。

関連論文リスト

• Toward Stable Semi-Supervised Remote Sensing Segmentation via Co-Guidance and Co-Fusion [31.189038928192648]
  Co2Sは半教師付きRSセグメンテーションフレームワークで、ビジョン言語モデルと自己教師型モデルとを融合する。 テキスト埋め込みと学習可能なクエリを利用した,明示的でシンプルなセマンティックコガイダンス機構が導入された。 6つの一般的なデータセットに対する実験は,提案手法の優位性を実証している。
  論文  参考訳（メタデータ） (2025-12-28T18:24:19Z)
• TRiCo: Triadic Game-Theoretic Co-Training for Robust Semi-Supervised Learning [15.638836465479619]
  TRiCoは、半教師付き学習の構造を再考する、三進的ゲーム理論の共同学習フレームワークである。 既存のSSLフレームワークにおける重要な制限に対処することによって、TRiCoは原則付き、一般化可能なソリューションを提供する。
  論文  参考訳（メタデータ） (2025-09-25T20:10:41Z)
• Bridging Weakly-Supervised Learning and VLM Distillation: Noisy Partial Label Learning for Efficient Downstream Adaptation [51.67328507400985]
  ノイズ部分ラベル学習(NPLL)では、各トレーニングサンプルは、複数のノイズアノテータによって注釈付けされた候補ラベルのセットに関連付けられている。 本稿では、事前学習された視覚言語モデルによって注釈付けされた部分ラベルからの学習に焦点を当てる。 革新的な協調整合正則化(Co-Reg)法を提案する。
  論文  参考訳（メタデータ） (2025-06-03T12:48:54Z)
• LiMoE: Mixture of LiDAR Representation Learners from Automotive Scenes [55.33167217384738]
  LiMoEは、Mixture of Experts(MoE)パラダイムをLiDARデータ表現学習に統合するフレームワークである。 我々のアプローチは3つの段階からなる: Image-to-LiDAR Pretraining, Contrastive Mixture Learning (CML), Semantic Mixture Supervision (SMS)。
  論文  参考訳（メタデータ） (2025-01-07T18:59:58Z)
• ItTakesTwo: Leveraging Peer Representations for Semi-supervised LiDAR Semantic Segmentation [24.743048965822297]
  本稿では,ItTakesTwo (IT2) と呼ばれる半教師付きLiDARセマンティックセマンティックセマンティクスフレームワークを提案する。 IT2は、ピアLiDAR表現からの一貫性のある予測を保証するために設計されており、一貫性学習における摂動効率を改善する。 その結果,本手法は従来のSOTA法よりも顕著に改善されていることがわかった。
  論文  参考訳（メタデータ） (2024-07-09T18:26:53Z)
• SemiReward: A General Reward Model for Semi-supervised Learning [58.47299780978101]
  半教師付き学習(SSL)は、擬似ラベリングによる自己学習フレームワークの様々な改善により、大きな進歩をみせた。 主な課題は、高品質な擬似ラベルを確認バイアスと区別する方法である。 本稿では、報酬スコアを予測して高品質な擬似ラベルを評価・フィルタリングするセミ教師付きリワードフレームワーク(SemiReward)を提案する。
  論文  参考訳（メタデータ） (2023-10-04T17:56:41Z)
• Adversarial Dual-Student with Differentiable Spatial Warping for Semi-Supervised Semantic Segmentation [70.2166826794421]
  本研究では、教師なしデータ拡張を行うために、微分可能な幾何ワープを提案する。 また,平均教師数を改善するために,新しい対角的二重学習フレームワークを提案する。 我々のソリューションは、両方のデータセットで得られるパフォーマンスと最先端の結果を大幅に改善します。
  論文  参考訳（メタデータ） (2022-03-05T17:36:17Z)

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。