論文の概要: Point-Selection Fine-Tuning Framework for Robust Point Cloud Classification
- arxiv url: http://arxiv.org/abs/2607.19711v1
- Date: Wed, 22 Jul 2026 03:27:18 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-23 18:51:37.959737
- Title: Point-Selection Fine-Tuning Framework for Robust Point Cloud Classification
- Title（参考訳）: ロバスト点雲分類のための点選択ファインチューニングフレームワーク
- Abstract要約: PSFTは、パラメータ効率を保ちながら堅牢性を向上する点選択微調整フレームワークである。
また,PSFTは,テスト済みの3Dバックボーン全体にわたって,Model-CとModelNet40-Cの劣化誤差を一貫して低減することを示した。
- 参考スコア（独自算出の注目度）: 13.13510696965873
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Noisy and corrupted points can substantially degrade point cloud recognition performance, especially under challenging corruption settings. In particular, full fine-tuning of 3D pre-trained models may amplify the influence of outliers and overwrite robustness priors learned during pre-training, while naive parameter-efficient adaptation remains sensitive to corrupted tokens. To address this issue, we propose PSFT, a point-selection fine-tuning framework that improves robustness while remaining parameter-efficient. PSFT first estimates point-wise influence from pre-pooling features and adaptively retains minimally influential points to suppress outliers. Based on the selected subset, a prompt generation branch predicts layer-wise prompt tokens and injects them into a frozen backbone for lightweight downstream adaptation. To further mitigate residual noise after selection, we append a lightweight feature filter with bottleneck MLP transformation and Beta-gated residual blending to refine patch-token representations before prediction. Extensive experiments show that PSFT consistently reduces corruption error on ModelNet-C and ModelNet40-C across all tested 3D pre-trained backbones, while achieving the strongest ScanObjectNN-C results with ULIP-2 and Uni3D-B among the evaluated tuning strategies. Our implementation can be found at https://github.com/CVChMA/PSFT/tree/master.
- Abstract（参考訳）: ノイズと破損した点は、特に困難な汚職設定下で、ポイントクラウド認識性能を著しく低下させる可能性がある。
特に、3D事前学習モデルの完全な微調整は、アウトレーヤの影響を増幅し、事前学習中に学習した堅牢さを上書きする。
この問題に対処するために,パラメータ効率を保ちながらロバスト性を向上させる点選択微調整フレームワークPSFTを提案する。
PSFTはまず、プリプール機能からポイントワイズの影響を推定し、アダプティブに最小限の影響力のある点を保持して、異常値を抑制する。
選択されたサブセットに基づいて、プロンプト生成ブランチは層単位でプロンプトを予測し、それらを凍結したバックボーンに注入して、軽量な下流適応を行う。
選択後の残差雑音を緩和するために、ボトルネックMLP変換とベータゲート残差ブレンディングを備えた軽量な特徴フィルタを付加し、予測前のパッチトーケン表現を洗練する。
拡張実験により,PSFTは,試験済みの3Dバックボーンすべてに対して,ModelNet-CとModelNet40-Cの劣化誤差を連続的に低減し,ULIP-2とUni3D-Bで最強のScanObjectNN-Cを達成した。
実装はhttps://github.com/CVChMA/PSFT/tree/masterで確認できます。
関連論文リスト
- PriFT: Prior-Support Guided Supervised Fine-Tuning [74.65198014829393]
Supervised Fine-tuning (SFT) は、下流タスク適応のための効率的なアプローチである。
SFTはトークン単位で固定されたデモトークンに適合する。
凍結した事前訓練参照からトークン重みを導出し、微調整の影響を受けない安定した再重み付け信号を得るPriFTを提案する。
論文 参考訳（メタデータ） (2026-06-08T12:14:06Z) - Ultra-Light Test-Time Adaptation for Vision--Language Models [0.6816905600359814]
CLIPのような視覚言語モデル(VLM)は、画像埋め込みとテキスト由来のクラスプロトタイプを比較することで、強力なゼロショット認識を実現する。
ドメインシフトでは、特徴の漂流、クラスプライアミスマッチ、深刻な誤診に悩まされる。
バックボーンを凍結し,ロジットレベルのパラメータのみを適応させる,完全トレーニングフリーでバックプロップフリーなフレームワークであるUltra-Light Test-Time Adaptation (UL-TTA)を提案する。
論文 参考訳（メタデータ） (2025-11-12T08:19:57Z) - DND: Boosting Large Language Models with Dynamic Nested Depth [45.76934615780697]
市販LCMの性能を向上させる新しい手法であるDynamic Nested Depth(DND)を紹介する。
DNDはルーターでより重要なトークンを特定し、追加の処理のためにそれらを返送する。
様々なベンチマークにおいて、このアプローチは密度の高いQwen3-1.7Bを1.88%、MoE Qwen3-30B-A3Bを0.87%向上させる。
論文 参考訳（メタデータ） (2025-10-13T04:22:57Z) - Winning the Pruning Gamble: A Unified Approach to Joint Sample and Token Pruning for Efficient Supervised Fine-Tuning [71.30276778807068]
サンプルプルーニングとトークンプルーニングを戦略的に協調する統合フレームワークを提案する。
Q-Tuningは、トレーニングデータの12.5%しか使用せず、全データSFTベースラインに対する平均38%の改善を実現している。
論文 参考訳（メタデータ） (2025-09-28T13:27:38Z) - Point-RTD: Replaced Token Denoising for Pretraining Transformer Models on Point Clouds [3.0232213779552803]
本稿ではトークンのロバスト性を改善するために設計された新しい事前学習戦略であるPoint-RTD(Replaced Token Denoising)を紹介する。
ShapeNetデータセットでは、Point-RTDはPointMAEと比較して復元誤差を93%以上削減し、Chamfer Distanceの14倍以上低い値を達成する。
論文 参考訳（メタデータ） (2025-09-21T19:25:25Z) - APCoTTA: Continual Test-Time Adaptation for Semantic Segmentation of Airborne LiDAR Point Clouds [14.348191795901101]
空中レーザースキャン(ALS)ポイントクラウドセグメンテーションは、大規模3Dシーン理解の基本的な課題である。
Continuous Test-Time Adaptation (CTTA)は、ソース予測モデルを適用して、未ラベルのターゲットドメインを進化させるソリューションを提供する。
我々は,ALSポイントクラウドセマンティックセグメンテーションに適した最初のCTTA手法であるAPCoTTAを提案する。
論文 参考訳（メタデータ） (2025-05-15T05:21:16Z) - Class-Imbalanced Semi-Supervised Learning for Large-Scale Point Cloud
Semantic Segmentation via Decoupling Optimization [64.36097398869774]
半教師付き学習(SSL)は大規模3Dシーン理解のための活発な研究課題である。
既存のSSLベースのメソッドは、クラス不均衡とポイントクラウドデータのロングテール分布による厳しいトレーニングバイアスに悩まされている。
本稿では,特徴表現学習と分類器を別の最適化方法で切り離してバイアス決定境界を効果的にシフトする,新しいデカップリング最適化フレームワークを提案する。
論文 参考訳（メタデータ） (2024-01-13T04:16:40Z) - Sparse is Enough in Fine-tuning Pre-trained Large Language Models [98.46493578509039]
我々はSparse Increment Fine-Tuning (SIFT) という勾配に基づくスパース微調整アルゴリズムを提案する。
GLUE Benchmark や Instruction-tuning などのタスクで有効性を検証する。
論文 参考訳（メタデータ） (2023-12-19T06:06:30Z) - Knockoffs-SPR: Clean Sample Selection in Learning with Noisy Labels [56.81761908354718]
雑音ラベルを用いた学習のための,理論的に保証されたクリーンサンプル選択フレームワークを提案する。
Knockoffs-SPRは、標準的な教師付きトレーニングパイプラインのサンプル選択モジュールと見なすことができる。
さらに、ラベルなしデータとしてノイズデータのサポートを利用する半教師付きアルゴリズムと組み合わせる。
論文 参考訳（メタデータ） (2023-01-02T07:13:28Z) - Implicit and Efficient Point Cloud Completion for 3D Single Object
Tracking [9.372859423951349]
適応リファイン予測(ARP)とターゲット知識伝達(TKT)の2つの新しいモジュールを紹介する。
本モデルでは,より少ない計算量を維持しながら,最先端の性能を実現する。
論文 参考訳（メタデータ） (2022-09-01T15:11:06Z) - Guided Point Contrastive Learning for Semi-supervised Point Cloud
Semantic Segmentation [90.2445084743881]
そこで本研究では,モデル性能を向上させるために,未ラベルの点群をトレーニングに採用するための半教師付き点群セマンティックセマンティックセマンティックセマンティクスを提案する。
近年の自己監督型タスクのコントラスト損失に触発されて,特徴表現とモデル一般化能力を高めるためのガイド付きポイントコントラスト損失を提案する。
論文 参考訳（メタデータ） (2021-10-15T16:38:54Z)
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。