論文の概要: Loss Landscape Topology Reveals Why Simple Baselines are Competitive at 3D Point Cloud Segmentation Under Class Imbalance

• arxiv url: http://arxiv.org/abs/2607.21089v1
• Date: Thu, 23 Jul 2026 09:19:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-24 18:26:25.347683
• Title: Loss Landscape Topology Reveals Why Simple Baselines are Competitive at 3D Point Cloud Segmentation Under Class Imbalance
• Title（参考訳）: ランドスケープのトポロジが3Dポイントクラウドセグメンテーションにおいて単純なベースラインが競合する理由を明らかに
• Abstract要約: 極端および適度な不均衡比を持つデータセット間での11の不均衡緩和手法を評価した。 標準のクロスエントロピーと均一な重み付けは、通常0.8-3.3% mIoU以内の競争性能を達成する。 この研究は、2Dで有効であることが証明された技術がポイントベースの3Dポイントクラウドセグメンテーションに容易に移行しない理由について、最初の力学的な説明を提供する。
• 参考スコア（独自算出の注目度）: 5.276232626689568
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Semantic segmentation of 3D point clouds faces severe class imbalance, yet the effectiveness of specialized imbalance-aware methods from 2D computer vision remains unclear in 3D contexts. We systematically evaluate 11 imbalance mitigation approaches across datasets with extreme (641:1) and moderate (56:1) imbalance ratios, revealing a surprising finding: standard cross-entropy with uniform weighting achieves competitive performance, typically within 0.8-3.3% mIoU of specialized methods across architectures and datasets. Through multifaceted mechanistic analysis of error patterns, decision boundaries, and the geometry of the optimization landscape, our analyses suggest that imbalance severity shapes the topology, creating narrow solution basins under extreme imbalance and flat plateaus under moderate imbalance. This appears to constrain the effectiveness of loss-level modifications, as all methods must navigate these geometric constraints. Our findings offer practical guidance; standard cross-entropy provides a robust baseline, with specialized methods offering modest improvements (0.8-3.3% mIoU) that vary by architecture and dataset but risk substantial degradation if poorly tuned. This work provides the first mechanistic explanation for why techniques proven effective in 2D do not readily transfer to point-based 3D point cloud segmentation, validated across two representative architectures.
• Abstract（参考訳）: 3次元点雲のセマンティックセグメンテーションは、重度のクラス不均衡に直面しているが、2次元コンピュータビジョンからの特殊不均衡認識手法の有効性は、3次元の文脈では明らかでない。 我々は、極端な(641:1)と中程度の(56:1)の不均衡比を持つデータセット間の11の不均衡緩和アプローチを体系的に評価し、驚くべき発見を明らかにした: 均一な重み付けを持つ標準のクロスエントロピーは、アーキテクチャやデータセットにまたがる特殊な手法の0.8-3.3% mIoU以内の競争性能を達成する。 本研究は, 誤差パターン, 決定境界, および最適化景観の幾何学の多面的解析を通じて, 不均衡度がトポロジを形作っていることを示唆し, 極端不均衡条件下では狭い溶液流域を形成し, 適度な不均衡条件下では平坦な台地を形成している。 これは、すべてのメソッドがこれらの幾何学的制約をナビゲートする必要があるため、損失レベルの修正の有効性を制限しているように見える。 標準のクロスエントロピーはロバストなベースラインを提供し、アーキテクチャやデータセットによって異なるが、調整が不十分な場合、実質的な劣化のリスクが伴う特別手法(0.8-3.3% mIoU)を提供する。 この研究は、2Dで有効であることが証明された技術が2つの代表的なアーキテクチャで検証されたポイントベースの3Dポイントクラウドセグメンテーションに容易に移行しない理由について、最初の力学的な説明を提供する。

関連論文リスト

• How Sampling Strategy Affects Imbalance Mitigation in LiDAR Segmentation: A Study of Structured vs. Random Point-Based Architectures [5.276232626689568]
  LiDARポイントクラウドにおけるクラス不均衡は、セマンティックセグメンテーションの課題を引き起こす。 3つのデータセットで6つの再重み付けスキームと5つの不均衡認識損失をベンチマークする。
  論文  参考訳（メタデータ） (2026-08-17T15:00:55Z)
• FoundationGeo: Learning Spatial Pixel-Wise Fields for Monocular Metric Geometry [52.232826445242644]
  FoundationGeoは空間キャリブレーションと原則データ設計による相対的および計量的予測を橋渡しする。 ステージ1は DINOv3 で初期化することで高忠実なアフィン不変幾何モデルを学ぶ。 ステージ2は、メートル法推定のためのピクセルワイドキャリブレーションフィールドを導入することで、グローバルなスケーリングを越えている。
  論文  参考訳（メタデータ） (2026-07-13T14:10:01Z)
• Articulating then Matching: Zero-Shot Shape Matching for Uncurated Data [0.5014513738509991]
  3次元形状間の密接な対応を見つけることは、特に現実世界の環境では、基本的な問題であるが未解決の課題である。 ATMは、通信特化訓練を必要とせず、これらの問題を一度に堅牢に解決するフレームワークである。
  論文  参考訳（メタデータ） (2026-06-28T03:05:46Z)
• The Geometry of Robustness: Optimizing Loss Landscape Curvature and Feature Manifold Alignment for Robust Finetuning of Vision-Language Models [33.10473765967503]
  一般化保存法はID/OOD性能を維持するが、敵攻撃に弱いモデルを残す。 我々の重要な洞察は、ロバスト性トレードオフは、パラメータ空間における鋭く異方性のある最小値と、摂動下で変形する不安定な特徴表現の2つの幾何学的失敗に由来するということである。 本稿では,パラメータ空間の曲率と特徴空間の不変性を協調的に正規化する,統一的な微調整フレームワークGRACEを提案する。
  論文  参考訳（メタデータ） (2026-03-28T05:22:00Z)
• Test-Time Adaptation for Anomaly Segmentation via Topology-Aware Optimal Transport Chaining [10.091031517157411]
  TopoOTはトポロジ対応の最適なトランスポート(OT)フレームワークである。 多重フィルタ永続図(PD)とテスト時間適応(TTA)を統合する。 TopoOTは2Dおよび3D異常検出ベンチマークで最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2026-01-28T07:49:28Z)
• 3D-ANC: Adaptive Neural Collapse for Robust 3D Point Cloud Recognition [21.95358957900039]
  3D-ANCはニューラル・コラプス(NC)機構を利用して識別的特徴学習を編成する手法である。 3D-ANCは2つのデータセット上の様々な構造を持つモデルのロバスト性を大幅に改善することを示す。
  論文  参考訳（メタデータ） (2025-11-10T12:37:00Z)
• Zero-shot Inexact CAD Model Alignment from a Single Image [53.37898107159792]
  1つの画像から3Dシーン構造を推測する実践的なアプローチは、データベースから密に一致する3Dモデルを検索し、画像内のオブジェクトと整列させることである。 既存のメソッドは、イメージによる教師付きトレーニングとアノテーションのポーズに依存しており、オブジェクトカテゴリの狭いセットに制限されている。 ポーズアノテーションを必要とせず、未知のカテゴリに一般化する不正確な3次元モデルの弱い教師付き9-DoFアライメント法を提案する。
  論文  参考訳（メタデータ） (2025-07-04T04:46:59Z)
• FILP-3D: Enhancing 3D Few-shot Class-incremental Learning with Pre-trained Vision-Language Models [59.13757801286343]
  クラス増分学習(class-incremental learning)は、モデルが限られたデータで漸進的にトレーニングされている場合、破滅的な忘れの問題を軽減することを目的としている。 本稿では,特徴空間の不整合のための冗長特徴除去器 (RFE) と,重要な雑音に対する空間ノイズ補償器 (SNC) の2つの新しいコンポーネントを備えたFILP-3Dフレームワークを紹介する。
  論文  参考訳（メタデータ） (2023-12-28T14:52:07Z)
• Uncertainty-Aware Adaptation for Self-Supervised 3D Human Pose Estimation [70.32536356351706]
  本稿では、2つの出力ヘッドを2つの異なる構成にサブスクライブする共通のディープネットワークバックボーンを構成するMPP-Netを紹介する。 ポーズと関節のレベルで予測の不確実性を定量化するための適切な尺度を導出する。 本稿では,提案手法の総合評価を行い,ベンチマークデータセット上での最先端性能を示す。
  論文  参考訳（メタデータ） (2022-03-29T07:14:58Z)
• Robust Self-Supervised LiDAR Odometry via Representative Structure Discovery and 3D Inherent Error Modeling [67.75095378830694]
  そこで我々は,2段階のオドメトリ推定ネットワークを構築し,一連の部分領域変換を推定してエゴモーメントを求める。 本稿では,トレーニング,推論,マッピングフェーズにおける信頼できない構造の影響を軽減することを目的とする。 我々の2フレームのオードメトリーは、翻訳/回転誤差の点で、過去の芸術の状態を16%/12%上回っている。
  論文  参考訳（メタデータ） (2022-02-27T12:52:27Z)
• Dense Non-Rigid Structure from Motion: A Manifold Viewpoint [162.88686222340962]
  Non-Rigid Structure-from-Motion (NRSfM) 問題は、複数のフレームにまたがる2次元特徴対応から変形物体の3次元形状を復元することを目的としている。 提案手法は,ノイズに対する精度,スケーラビリティ,堅牢性を大幅に向上させる。
  論文  参考訳（メタデータ） (2020-06-15T09:15:54Z)

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。