論文の概要: COSTA: A Cluster-Centric Paradigm for Annotation-Free Open-Set Semantic Segmentation of Aerial Point Clouds with Domain Shifts

• arxiv url: http://arxiv.org/abs/2608.18479v1
• Date: Wed, 19 Aug 2026 03:10:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-20 20:13:55.26345
• Title: COSTA: A Cluster-Centric Paradigm for Annotation-Free Open-Set Semantic Segmentation of Aerial Point Clouds with Domain Shifts
• Title（参考訳）: COSTA: ドメインシフトを伴う航空点雲の注釈なしオープンセット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ックセグメンテーションのためのクラスタ中心パラダイム
• Abstract要約: 本稿では、COSTAを導入し、クローズドセットのポイントワイド適応からクラスタ中心のオープンセットセマンティックな伝播へ移行する。 我々の中核的な発見は、一度テスト時に効果的に適応すれば、航空点雲の豊富な特徴分布を、よく分離されたセマンティック・セントロイドのコンパクトなセットに蒸留できるということである。 DALESをソースドメインとして、COSTAは異なるドメインとヘテロジニアスなカテゴリ空間を持つ3つの空点クラウドベンチマークのオンデマンドセグメンテーションを可能にする。
• 参考スコア（独自算出の注目度）: 10.451877671886342
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Semantic segmentation of aerial point cloud is trapped in a generalization crisis under distinct domain shifts. While test-time adaptation offers a privacy-preserving and computationally efficient way to adapt pre-trained models to unlabeled target-domain data during inference, existing methods, bound to closed-set label assumptions and non-scalable point-wise segmentation pipelines, still struggle with semantic shifts. We ask: can we adapt any given pre-trained aerial point cloud segmentation model to a shifted target domain at the inference phase alone, without additional training, while segmenting target-specific categories beyond the source label space on demand? This paper introduces COSTA, which breaks this limitation by shifting from closed-set point-wise adaptation to cluster-centric open-set semantic propagation. Our core discovery is that, once effectively adapted at test time, the rich feature distribution of aerial point clouds can be distilled into a compact set of well-separated semantic centroids that are transferable across label spaces. COSTA leverages this to reformulate open-set semantic segmentation as a cluster-level propagating process: it first bridges the domain gap through proven test-time adaptation, then groups each batch of target-domain points into a small set of semantic clusters based on the similarity distribution in the adapted feature space, and finally propagates high-confidence pseudo labels obtained from an open-vocabulary vision-language model to all points through cluster-level voting. This cluster-centric paradigm enables test-time adaptation of aerial point clouds under significant domain gaps with mixed semantic shifts. With DALES as the source domain, COSTA enables on-demand segmentation across three aerial point cloud benchmarks with distinct domains and heterogeneous category spaces, achieving up to 70.09% mIoU under this new setting.
• Abstract（参考訳）: 航空点雲のセマンティックセグメンテーションは、異なる領域シフトの下で一般化危機に閉じ込められている。 テストタイム適応は、推論中に未ラベルのターゲットドメインデータに事前トレーニングされたモデルを適用するための、プライバシ保護と計算的に効率的な方法を提供するが、既存の方法は、クローズドセットラベルの仮定と非スケール可能なポイントワイドセグメンテーションパイプラインに縛られ、セマンティックシフトに苦慮している。 我々は、任意の事前訓練された空点雲のセグメンテーションモデルを、追加のトレーニングをすることなく、必要に応じてソースラベル空間を越えてターゲット固有のカテゴリをセグメンテーションしながら、推論フェーズだけでシフトターゲットドメインに適応できるだろうか? 本稿では、COSTAをクラスタ中心のオープンセットセマンティックな伝播にシフトすることで、この制限を破る。 我々の中核的な発見は、一度テスト時に効果的に適応すれば、空点雲の豊富な特徴分布を、ラベル空間間で伝達可能な、よく分離されたセマンティックセントロイドのコンパクトな集合に蒸留できるということである。 COSTAはこれを利用して、オープンセットセマンティックセグメンテーションをクラスタレベルの伝播プロセスとして再構築する。まず、実証されたテスト時間適応を通じてドメインギャップをブリッジし、次に、適応された特徴空間の類似性分布に基づいて、ターゲットドメインの各バッチを小さなセマンティッククラスタにグループ化し、最後に、オープン語彙ビジョン言語モデルから得られた高信頼の擬似ラベルをクラスタレベルの投票を通じてすべてのポイントに伝播する。 このクラスタ中心のパラダイムは、混合セマンティックシフトを伴う大きなドメインギャップの下で、空中点雲のテスト時適応を可能にする。 DALESをソースドメインとして、COSTAは異なるドメインとヘテロジニアスなカテゴリ空間を持つ3つの空点クラウドベンチマークのオンデマンドセグメンテーションを可能にし、この新しい設定で最大70.09% mIoUを達成する。

関連論文リスト

• Counterfactuals for Feature-Weighted Clustering [0.7734726150561086]
  本稿では,機能重み付き$k$-meansクラスタリングのためのVoronoiによって誘導される対実的説明可能性フレームワークであるVoICEを紹介する。 クラスタの変化を1対のセンチロイド境界の交差として扱うのではなく、VoICEはターゲットクラスタの全重み付きボロノイ領域への射影として反実生成を定式化する。
  論文  参考訳（メタデータ） (2026-07-16T08:36:04Z)
• CNG-SFDA:Clean-and-Noisy Region Guided Online-Offline Source-Free Domain Adaptation [6.222371087167951]
  Source-Free Domain Adaptation (SFDA)は、ソースドメインのトレーニングされたモデルをターゲットドメインに採用することを目的としている。 ターゲットドメインでの偽ラベルの扱いは、モデルのパフォーマンスに悪影響を及ぼすため、非常に重要です。 我々は、オンライン/オフラインのSFDA設定において、複数のデータセットに関する広範な実験を行い、その結果、CNG-SFDAは、ほとんどのケースで最先端を実現していることを示す。
  論文  参考訳（メタデータ） (2024-01-26T01:29:37Z)
• Adaptive Betweenness Clustering for Semi-Supervised Domain Adaptation [108.40945109477886]
  分類領域アライメントを実現するために,G-ABC (Adaptive Betweenness Clustering) と呼ばれる新しいSSDA手法を提案する。 提案手法は従来のSSDA手法よりも優れており,提案したG-ABCアルゴリズムの優位性を示している。
  論文  参考訳（メタデータ） (2024-01-21T09:57:56Z)
• Compositional Semantic Mix for Domain Adaptation in Point Cloud Segmentation [65.78246406460305]
  合成意味混合は、ポイントクラウドセグメンテーションのための最初の教師なし領域適応技術である。 本稿では、ソースドメイン(例えば合成)からの点雲とターゲットドメイン(例えば実世界)からの点雲を同時に処理できる2分岐対称ネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2023-08-28T14:43:36Z)
• PUPS: Point Cloud Unified Panoptic Segmentation [13.668363631123649]
  本稿では,シンプルだが効果的な点群統合パノプティックセグメンテーション(PUPS)フレームワークを提案する。 PUPSは、ポイントレベルの分類器のセットを使用して、エンド・ツー・エンドの方法でセマンティクスとインスタンス・グループを直接予測する。 PUPSはSemantic KITTI Panoptic segmentation Taskのリーダーボードで1位を獲得し、nuScenesの最先端の結果を得た。
  論文  参考訳（メタデータ） (2023-02-13T08:42:41Z)
• Cluster-to-adapt: Few Shot Domain Adaptation for Semantic Segmentation across Disjoint Labels [80.05697343811893]
  クラスタ・トゥ・アダプティブ(Cluster-to-Adapt, C2A)は、セグメンテーションデータセット間のドメイン適応のための、計算的に効率的なクラスタリングベースのアプローチである。 変換された特徴空間に強制されるそのようなクラスタリングの目的は、ソースドメインとターゲットドメインのカテゴリを自動的に選択するのに役立つことを示す。
  論文  参考訳（メタデータ） (2022-08-04T17:57:52Z)
• Amplitude Spectrum Transformation for Open Compound Domain Adaptive Semantic Segmentation [62.68759523116924]
  オープン化合物ドメイン適応(OCDA)は、実用的な適応セットとして現れている。 我々は、新しい特徴空間振幅スペクトル変換(AST)を提案する。
  論文  参考訳（メタデータ） (2022-02-09T05:40:34Z)
• Cross-Domain Adaptive Clustering for Semi-Supervised Domain Adaptation [85.6961770631173]
  半監視されたドメイン適応では、残りのターゲットサンプルのターゲットドメインガイド機能内のクラスごとのいくつかのラベル付きサンプルが、その周辺に集約される。 この問題に対処するために,クロスドメイン適応クラスタリングという新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2021-04-19T16:07:32Z)
• Exploring Category-Agnostic Clusters for Open-Set Domain Adaptation [138.29273453811945]
  本稿では、カテゴリ非依存クラスタ(SE-CC)を対象ドメインのカテゴリ非依存クラスタと組み合わせた、新たなアーキテクチャを提案する。 クラスタリングは、対象ドメイン特有の基盤となるデータ空間構造を明らかにするカテゴリ非依存クラスタを得るために、ラベルなしのターゲットサンプルすべてにわたって実行される。
  論文  参考訳（メタデータ） (2020-06-11T16:19:02Z)

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。