論文の概要: Group-wise Supervision with Focal-Dice Loss for Long-Tailed Indoor Semantic Occupancy Prediction

• arxiv url: http://arxiv.org/abs/2607.28935v1
• Date: Fri, 31 Jul 2026 01:32:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-03 14:29:40.559276
• Title: Group-wise Supervision with Focal-Dice Loss for Long-Tailed Indoor Semantic Occupancy Prediction
• Title（参考訳）: 長大な室内セマンティックアクシデント予測のための声道損失を伴うグループワイド・スーパービジョン
• Abstract要約: Group-UFD Occは階層的な意味的監督と相乗的損失最適化に基づいている。 大規模なEmbodiedScanデータセットの実験を行った。 その結果,本手法はベースラインよりも11.38%向上した。
• 参考スコア（独自算出の注目度）: 9.71287451024712
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Recently, 3D semantic occupancy prediction has garnered increasing attention for understanding the indoor scene. However, unlike structured outdoor environments, indoor scenes feature a high diversity of object categories that exhibit a severe long-tailed distribution, which has become a core bottleneck limiting the performance of existing models. To tackle this challenge, we propose a novel method, Group-UFD Occ, based on hierarchical semantic supervision and synergistic loss optimization. At the architectural level, we introduce a fine-grained semantic grouping strategy and design multi-scale, parallel ``main-expert'' prediction heads to guide the model in efficiently learning tail-class features through deep regularization. At the optimization level, we introduce the Unified Focal-Dice (UFD) loss. This synergistic loss function dynamically focuses on hard samples at the per-voxel level. Meanwhile, it simultaneously optimizes the geometric integrity of predicted objects from a region-based perspective. We conducted experiments on the large-scale EmbodiedScan dataset. The results demonstrate that our method yields a relative improvement of 11.38\% over the baseline, with substantial accuracy gains in several critical long-tailed categories.
• Abstract（参考訳）: 近年,室内環境を理解するために,3次元セマンティック占有予測が注目されている。 しかし, 室内環境とは違って, 室内環境は, 厳密な長尾分布を示す対象カテゴリーが多様であり, 既存のモデルの性能を抑える中核的なボトルネックとなっている。 この課題に対処するために,階層的意味的監督と相乗的損失最適化に基づくグループUFD Occを提案する。 アーキテクチャレベルでは、細粒度セマンティックグルーピング戦略を導入し、マルチスケールで並列な `main-expert'' 予測ヘッドを設計し、深層正規化によるテールクラスの特徴の学習を効率的に行う。 最適化レベルでは、Unified Focal-Dice (UFD)損失を導入する。 この相乗的損失関数は、ボクセル単位でのハードサンプルに動的にフォーカスする。 一方、領域ベースの観点から予測対象の幾何学的整合性を同時に最適化する。 大規模なEmbodiedScanデータセットの実験を行った。 以上の結果から,本手法は基準値よりも11.38\%の相対的改善を達成し,いくつかの臨界長尾のカテゴリーでかなりの精度向上が得られた。

関連論文リスト

• Preference Data Selection for Mitigating the Alignment Tax in Large Language Models [52.18310687523229]
  BALIGNは、アライメント効率を最適化しながら破滅的な忘れを緩和するバランスのとれたデータ選択戦略である。 3つの重要なデータ中心の機能を統一された複合リスクスコアに集約することにより、BALIGNは、ハイリスクな選好サンプルを体系的にフィルタリングする。 標準的な人間の嗜好データセットの実験では、BALIGNはアライメントゲインを損なうことなく基礎的能力を強く保持している。
  論文  参考訳（メタデータ） (2026-08-25T07:58:42Z)
• Cluster-Aware Neural Collapse Prompt Tuning for Long-Tailed Generalization of Vision-Language Models [20.68004586002534]
  クラスタ認識型ニューラル崩壊プロンプトチューニング(CPT)を提案する。 CPTは、一般化を犠牲にすることなく、プロンプト調整された視覚言語モデルにおけるテールクラスの識別性を向上する。 11の多様なデータセットの実験では、CPTがSOTA法より優れていることが示されている。
  論文  参考訳（メタデータ） (2026-05-12T10:50:43Z)
• CaC: Advancing Video Reward Models via Hierarchical Spatiotemporal Concentrating [49.94171749437024]
  本稿では,ビジョンランゲージモデルに基づく粗大な異常報酬モデルである集中と集中(CaC)を提案する。 フレーム単位のバウンディングボックスアノテーション,時間的異常ウィンドウ,微粒な属性ラベルを備えた,最初の大規模ビデオ異常データセットを構築した。 実験では、CaCは微妙な異常に安定して集中することができ、微細な異常ベンチマークの精度が25.7%向上した。
  論文  参考訳（メタデータ） (2026-05-12T08:08:33Z)
• Barrier-enforced multi-objective optimization for direct point and sharp interval forecasting [1.0966260566122237]
  本稿では,単一ニューラルネットワークモデルを用いた多段階確率予測フレームワークを提案する。 我々のアプローチは、ターゲットカバレッジ確率(PICP)を厳密に満たしたモデル構造設計により、非交差予測間隔(PI)を保証する。 その結果, 提案した損失は, PI幅が最も狭い対象範囲を達成し, 現行文献よりも一貫して優れていた。
  論文  参考訳（メタデータ） (2026-04-20T16:43:12Z)
• Visual Autoregressive Modelling for Monocular Depth Estimation [69.01449528371916]
  本稿では,視覚的自己回帰(VAR)に基づく単眼深度推定手法を提案する。 提案手法は,大規模テキスト・画像VARモデルに適応し,スケールワイド・コンディショナル・アップサンプリング機構を導入する。 本研究では,屋内ベンチマークにおける制約付きトレーニング条件下での最先端性能と,屋外データセットに適用した場合の強い性能について報告する。
  論文  参考訳（メタデータ） (2025-12-27T17:08:03Z)
• UnLoc: Leveraging Depth Uncertainties for Floorplan Localization [80.55849461031879]
  UnLocはフロアプラン内のシーケンシャルカメラローカライゼーションのための効率的なデータ駆動ソリューションである。 本研究では,不確実性推定を組み込んだ新しい確率モデルを導入し,深度予測を明示的な確率分布としてモデル化する。 我々はUnLocを大規模合成および実世界のデータセット上で評価し、精度とロバスト性の観点から大幅に改善したことを示す。
  論文  参考訳（メタデータ） (2025-09-14T14:45:43Z)
• Feature-Space Planes Searcher: A Universal Domain Adaptation Framework for Interpretability and Computational Efficiency [7.889121135601528]
  現在の教師なし領域適応法は微調整特徴抽出器に依存している。 領域適応フレームワークとしてFPS(Feature-space Planes Searcher)を提案する。 FPSは最先端の手法と比較して,競争力や性能に優れることを示す。
  論文  参考訳（メタデータ） (2025-08-26T05:39:21Z)
• Spatial Lifting for Dense Prediction [6.596393783279435]
  本稿では,高密度予測タスクのための新しい手法であるSpatial Lifting(SL)を提案する。 SLは2D画像などの標準的な入力を高次元空間に持ち上げ、その後3D U-Netのような高次元のために設計されたネットワークを用いて処理する。 我々は、19のベンチマークデータセットにまたがるアプローチを検証するとともに、モデルパラメータ数を98%以上削減し、推論コストを下げながら、競合する高密度予測性能を実証した。
  論文  参考訳（メタデータ） (2025-07-14T12:39:07Z)
• Tuning for Trustworthiness -- Balancing Performance and Explanation Consistency in Neural Network Optimization [49.567092222782435]
  我々は,異なる特徴帰属法間の合意として定義された,XAI整合性という新しい概念を紹介する。 予測性能と説明のバランスをとる多目的最適化フレームワークを構築した。 本研究は、トレードオフゾーンバランス性能損失とXAI整合性による強靭性向上のモデルについて、今後の研究基盤を提供する。
  論文  参考訳（メタデータ） (2025-05-12T13:19:14Z)
• ALOcc: Adaptive Lifting-Based 3D Semantic Occupancy and Cost Volume-Based Flow Predictions [91.55655961014027]
  シーン理解には3次元セマンティック占有とフロー予測が不可欠である。 本稿では,3つの改善点を目標とした視覚ベースのフレームワークを提案する。 我々の純粋な畳み込みアーキテクチャは、セマンティック占有率とジョイントセマンティックフロー予測の両方のために、複数のベンチマーク上で新しいSOTA性能を確立する。
  論文  参考訳（メタデータ） (2024-11-12T11:32:56Z)
• Shape Consistent 2D Keypoint Estimation under Domain Shift [35.15266729401601]
  ドメインシフトの下でキーポイントを推定するための新しい深層適応フレームワークを提案する。 本手法は,機能アライメント,対人訓練,自己超越という3つの構成要素をシームレスに結合する。 提案手法は,2次元キーポイント予測タスクにおける最先端領域適応手法より優れている。
  論文  参考訳（メタデータ） (2020-08-04T14:32:06Z)

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。