論文の概要: How Sampling Strategy Affects Imbalance Mitigation in LiDAR Segmentation: A Study of Structured vs. Random Point-Based Architectures

• arxiv url: http://arxiv.org/abs/2608.16673v1
• Date: Mon, 17 Aug 2026 15:00:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-18 19:59:03.760141
• Title: How Sampling Strategy Affects Imbalance Mitigation in LiDAR Segmentation: A Study of Structured vs. Random Point-Based Architectures
• Title（参考訳）: サンプリング戦略がLiDARセグメンテーションの不均衡緩和に与える影響:構造化とランダムポイントベースアーキテクチャに関する研究
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 5.276232626689568
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Class imbalance in LiDAR point clouds poses challenges for semantic segmentation in autonomous navigation and urban mapping. While 2D vision has numerous mitigation techniques, their effectiveness in 3D remains unclear. We benchmark six reweighting schemes and five imbalance-aware losses across three datasets (DALES, S3DIS, STPLS3D) using two architectures (KPConv, RandLA-Net). Inverse-frequency weighting degrades performance by up to 12% compared to uniform weighting, with catastrophic failures in minority classes. Uniform weighting performs within 2% of complex losses for structured sampling (KPConv) but benefits less for random sampling (RandLA-Net, up to 4.6% gap). Loss landscape analysis reveals a complex interplay: for structured sampling, imbalance ratio determines landscape geometry on real LiDAR data but decouples from it on synthetic data; for random sampling, landscapes show high sensitivity to dataset geometry regardless of imbalance ratio. For the two evaluated point-based architectures, these results suggest that the interaction between sampling strategy (structured vs. random), imbalance severity, and data acquisition characteristics shapes which mitigation approaches are effective.
• Abstract（参考訳）: LiDARポイントクラウドにおけるクラス不均衡は、自律ナビゲーションと都市マッピングにおけるセマンティックセグメンテーションの課題を提起する。 2次元視覚には多くの緩和技術があるが、3次元での有効性はまだ不明である。 我々は,2つのアーキテクチャ(KPConv,RandLA-Net)を用いて,3つのデータセット(DALES,S3DIS,STPLS3D)の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した。 逆周波数重み付けは、一様重み付けと比較して最大12%性能が低下する。 均一重み付けは、構造化サンプリング(KPConv)の複雑な損失の2%以内に作用するが、ランダムサンプリング(RandLA-Net、最大4.6%のギャップ)では効果が低い。 不均衡比は、実際のLiDARデータ上でランドスケープ幾何学を決定するが、合成データ上では分離する;ランダムサンプリングでは、アンバランス比に関係なく、ランドスケープはデータセット幾何学に対して高い感度を示す。 評価された2つの点ベースアーキテクチャでは,サンプリング戦略(構造化対ランダム),不均衡度,データ取得特性の相互作用が緩和アプローチの有効性を示唆している。

関連論文リスト

• Rethinking 3D Segmentation from Individual LiDAR Scans: Incidence-Aware Sampling on the SIP Benchmark [2.714583452862024]
  本研究では,個別LiDARスキャンにおける入射型サンプリング手法を提案する。 この方法は、ボクセルベースの選択のために幾何正規化された多様体空間を指し示す。 Point TransformerとPointNeXtによる実験では、解像度平均セグメンテーション性能が改善された。
  論文  参考訳（メタデータ） (2026-08-07T20:42:43Z)
• Loss Landscape Topology Reveals Why Simple Baselines are Competitive at 3D Point Cloud Segmentation Under Class Imbalance [5.276232626689568]
  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。
  論文  参考訳（メタデータ） (2026-07-23T09:19:31Z)
• The Impact of Federated Learning on Distributed Remote Sensing Archives [0.5833117322405447]
  地球観測ミッションでは5ペタバイト以上の画像が蓄積され、多くの地理的に分散したプラットフォームに格納され、処理されている。 中央集権的な方法で機械学習モデルをトレーニングすることは、データボリューム、主権の制約、地理的分布のために現実的ではない。 フェデレートラーニング(FL)は、データをローカルに保持し、モデル更新のみを交換することで、この問題に対処する。
  論文  参考訳（メタデータ） (2026-04-13T14:46:20Z)
• Analysis of Converged 3D Gaussian Splatting Solutions: Density Effects and Prediction Limit [26.560853188856342]
  標準的な多視点最適化から3次元ガウススプラッティング(3DGS)の解にどのような構造が現れるかを検討する。 密度領域は、レンダリング不要な予測が可能な幾何学的関連パラメータを示し、スパース領域は体系的な失敗を示す。 点雲が十分である幾何学的プリミティブと、多視点制約が不可欠であるビュー合成プリミティブである。
  論文  参考訳（メタデータ） (2026-02-09T17:09:08Z)
• Test-time Verification via Optimal Transport: Coverage, ROC, & Sub-optimality [53.03186946689658]
  検証によるテストタイムのスケーリングは、大規模言語モデルのパフォーマンス向上を約束している。 検証の効果は、(i)ジェネレータのカバレッジ、(ii)検証器の収束領域(ROC)、(iii)サンプリングアルゴリズムの準最適性の3つの相互作用を通して現れる。 本稿では,輸送問題として検証可能なテストタイムスケーリングの枠組みを定め,カバレッジ,ROC,サブ最適性の相互作用を特徴付ける。
  論文  参考訳（メタデータ） (2025-10-21T18:05:42Z)
• Revisiting Generative Adversarial Networks for Binary Semantic Segmentation on Imbalanced Datasets [20.538287907723713]
  異常き裂領域検出は典型的なバイナリセマンティックセグメンテーションタスクであり、アルゴリズムによって舗装面画像上のひび割れを表す画素を自動的に検出することを目的としている。 既存のディープラーニングベースの手法は、特定の公共舗装のデータセットで優れた結果を得たが、不均衡なデータセットでは性能が劇的に低下する。 画素レベルの異常き裂領域検出タスクに対して,条件付き生成逆ネットワーク(cGAN)に基づくディープラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-02-03T19:24:40Z)
• LoLep: Single-View View Synthesis with Locally-Learned Planes and Self-Attention Occlusion Inference [66.45326873274908]
  本稿では,1枚のRGB画像から局所学習平面を回帰してシーンを正確に表現するLoLepを提案する。 MINEと比較して、LPIPSは4.8%-9.0%、RVは73.9%-83.5%である。
  論文  参考訳（メタデータ） (2023-07-23T03:38:55Z)
• From Environmental Sound Representation to Robustness of 2D CNN Models Against Adversarial Attacks [82.21746840893658]
  本稿では, 各種環境音響表現(スペクトログラム)が, 被害者残差畳み込みニューラルネットワークの認識性能と対角攻撃性に与える影響について検討する。 DWTスペクトログラムでトレーニングしたResNet-18モデルでは高い認識精度が得られたが、このモデルに対する攻撃は敵にとって比較的コストがかかる。
  論文  参考訳（メタデータ） (2022-04-14T15:14:08Z)
• 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)
• The KFIoU Loss for Rotated Object Detection [115.334070064346]
  本稿では,SkewIoU損失とトレンドレベルアライメントを両立できる近似的損失を考案する上で,有効な方法の1つとして論じる。 具体的には、対象をガウス分布としてモデル化し、SkewIoUのメカニズムを本質的に模倣するためにカルマンフィルタを採用する。 KFIoUと呼ばれる新たな損失は実装が容易で、正確なSkewIoUよりもうまく動作する。
  論文  参考訳（メタデータ） (2022-01-29T10:54:57Z)
• From Sound Representation to Model Robustness [82.21746840893658]
  本研究では, 環境音の標準的な表現(スペクトログラム)が, 被害者の残差畳み込みニューラルネットワークの認識性能と対角攻撃性に与える影響について検討する。 3つの環境音響データセットの様々な実験から、ResNet-18モデルは、他のディープラーニングアーキテクチャよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2020-07-27T17:30:49Z)

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。