論文の概要: Toward Robust LiDAR Semantic Segmentation for Real-World Deployment: Evaluation under Coarse Labels, Adverse Conditions, and Domain Shifts
- arxiv url: http://arxiv.org/abs/2609.02830v1
- Date: Wed, 02 Sep 2026 17:15:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-03 17:53:18.477145
- Title: Toward Robust LiDAR Semantic Segmentation for Real-World Deployment: Evaluation under Coarse Labels, Adverse Conditions, and Domain Shifts
- Title（参考訳）: 実世界展開のためのロバストLiDARセマンティックセマンティックセグメンテーションに向けて:粗いラベル, 逆条件, ドメインシフトによる評価
- Abstract要約: LiDARベースのセマンティックセグメンテーションは、自動運転車と移動ロボットのコア認識モジュールである。
既存の評価プロトコルでは、クリーンで単一ドメインの設定ときめ細かなラベルの堅牢性に重点を置いており、デプロイの準備がほとんど評価されていない。
本稿では,LiDARセマンティックセグメンテーションモデルの3つの相補次元による展開準備性を評価する構造化評価プロトコルを提案する。
- 参考スコア（独自算出の注目度）: 39.58684038370709
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: LiDAR-based semantic segmentation is a core perception module for autonomous vehicles and mobile robots. Despite the strong performance of recent state-of-the-art methods on standard benchmarks, existing evaluation protocols remain focused on clean, single-domain settings and fine-grained label taxonomies, leaving deployment readiness largely unassessed. Real-world systems must handle safety-critical label semantics, degraded sensing conditions, and cross-domain variability, yet no unified protocol currently addresses all three aspects together. In this paper, we propose a structured evaluation protocol that assesses the deployment readiness of LiDAR semantic segmentation models along three complementary dimensions: (i) coarse-label evaluation aligned with autonomous driving safety priorities, revealing how label granularity affects different methods; (ii) robustness under eight types of LiDAR corruptions designed to emulate real-world atmospheric, geometric, and sensor degradations; and (iii) domain generalization across datasets without adaptation. The evaluation includes inference speed measured on an embedded Jetson AGX Orin platform, directly reflecting deployment constraints. Our results show that fine-grained benchmark rankings do not always reflect safety-relevant performance, that all methods experience substantial degradation under corruptions with architecture-dependent robustness characteristics, and that current domain generalization remains insufficient for reliable deployment. These findings expose concrete gaps between benchmark performance and deployment readiness, and provide a reference protocol for more practically grounded evaluation of LiDAR semantic segmentation.
- Abstract（参考訳）: LiDARベースのセマンティックセグメンテーションは、自動運転車と移動ロボットのコア認識モジュールである。
最近の標準ベンチマークにおける最先端の手法の強いパフォーマンスにもかかわらず、既存の評価プロトコルはクリーンで単一ドメインの設定ときめ細かいラベル分類に重点を置いており、デプロイの準備がほとんど評価されていないままである。
現実世界のシステムは、安全クリティカルなラベルセマンティクス、劣化した検知条件、ドメイン間の可変性を扱わなければならない。
本稿では,LiDARセマンティックセグメンテーションモデルの3つの相補的次元による展開準備性を評価する構造化評価プロトコルを提案する。
一 ラベルの粒度が異なる方法にどう影響するかを明らかにする自律運転安全の優先事項に適合する粗いラベル評価
二 現実世界の大気、幾何学及びセンサ劣化を模擬した八種類のLiDAR汚損の強靭性
(iii)適応のないデータセット間のドメインの一般化。
評価には、Jetson AGX Orinプラットフォーム上で測定された推論速度が含まれており、デプロイメントの制約を直接反映している。
本結果から,詳細なベンチマーク評価は必ずしも安全性関連性能を反映するものではなく,アーキテクチャに依存したロバスト性特性を持つ汚損下において,全ての手法が実質的な劣化を経験し,現在の領域の一般化が信頼性の高い展開に不十分であることが示唆された。
これらの結果から,ベンチマーク性能と展開準備のギャップが明らかとなり,LiDARセマンティックセマンティックセグメンテーションのより実践的な評価のためのリファレンスプロトコルが提供される。
関連論文リスト
- Structuring Semantic Embeddings for Principle Evaluation: A Prototype-Guided Contrastive Learning Approach [58.15427952222424]
汎用的なテキスト埋め込みはそのようなタスクに広くデプロイされているが、意味的類似性は意味的に似ているがタスク固有の例を示すことができる。
本稿では,凍結したテキスト埋め込み上に構築された幾何正規化モジュールであるPGCL(Prototype-Guided Contrastive Learning)を紹介する。
論文 参考訳（メタデータ） (2026-08-15T13:19:25Z) - From Controlled to the Wild: Evaluation of Pentesting Agents for the Real-World [4.065564250241855]
本稿では,タスク完了から検証済みの脆弱性発見へ評価をシフトする実用的評価プロトコルを提案する。
このプロトコルは、AIペンテスティングエージェントのより現実的で運用上の情報的な比較を可能にすることによって、最先端の技術を拡張している。
論文 参考訳（メタデータ） (2026-05-11T16:50:00Z) - EviRCOD: Evidence-Guided Probabilistic Decoding for Referring Camouflaged Object Detection [9.823189831191064]
参照カモフラージオブジェクト検出(Referring Camouflaged Object Detection, Ref-COD)は、カテゴリ整列参照を用いたクエリイメージ内の特定のカモフラージされたターゲットのセグメンテーションに焦点を当てる。
EviRCOD は,(1) 階層的な参照駆動型変調と多スケールの変形可能なアグリゲーションを利用して,セマンティックな先行表現を注入し,クロススケールな表現を整列する参照誘導型変形性(RGDE) ; (2) ディリクレ証拠推定を階層的なデコードに組み込んだ不確実性認識証拠デコーダ(UAED) と,(3) 境界認識再閉じ込めモジュールである。
論文 参考訳（メタデータ） (2026-04-13T01:53:45Z) - Exploring Single Domain Generalization of LiDAR-based Semantic Segmentation under Imperfect Labels [28.96799571666756]
雑音ラベル(DGLSS-NL)に基づくLiDARのための新しいタスク領域一般化について紹介する。
既存の雑音ラベル学習アプローチは,LiDARデータに適合しないことがわかった。
特徴レベルの一貫性を強制し、予測の信頼度を考慮したフィルタリングに基づくクロスエントロピー損失を適用した、強い分岐と弱い分岐を持つデュアルビューフレームワークであるDuNeを提案する。
論文 参考訳（メタデータ） (2025-10-10T06:11:34Z) - ERIS: An Energy-Guided Feature Disentanglement Framework for Out-of-Distribution Time Series Classification [51.07970070817353]
理想的な時系列分類(TSC)は不変表現をキャプチャできるべきである。
現在の手法は、真に普遍的な特徴を分離するために必要な意味的な方向性を欠いている。
本稿では,シフト・ロバストネス・フレームワークのためのエンドツーエンドのエネルギー規則化情報を提案する。
論文 参考訳（メタデータ） (2025-08-19T12:13:41Z) - Towards Generalized Range-View LiDAR Segmentation in Adverse Weather [65.22588361803942]
我々は、厳しい天候下でのLiDARセグメンテーションの一般化に影響を及ぼす固有の課題を特定し、分析する。
既存のモデルのコアアーキテクチャを変更することなく、ロバスト性を高めるモジュール式で軽量なフレームワークを提案する。
提案手法は,推定オーバーヘッドを最小限に抑え,悪天候への一般化を著しく改善する。
論文 参考訳（メタデータ） (2025-06-10T16:48:27Z) - Rethinking Semi-supervised Segmentation Beyond Accuracy: Reliability and Robustness [10.220692937750295]
信頼性スコア(Reliable Score, RSS)は、予測精度、キャリブレーション、不確実性の測定を調和平均で組み合わせた新しい尺度である。
我々は、半教師付き学習研究と現実世界の展開ニーズをより良く整合させるために、RSSのようなより包括的なメトリクスへの評価プロトコルのシフトを提唱する。
論文 参考訳（メタデータ） (2025-06-06T09:37:45Z) - SEOE: A Scalable and Reliable Semantic Evaluation Framework for Open Domain Event Detection [70.23196257213829]
オープンドメインイベント検出のためのスケーラブルで信頼性の高いセマンティックレベルの評価フレームワークを提案する。
提案フレームワークはまず,現在7つの主要ドメインをカバーする564のイベントタイプを含む,スケーラブルな評価ベンチマークを構築した。
次に,大言語モデル(LLM)を自動評価エージェントとして活用し,意味的類似ラベルのきめ細かい定義を取り入れた意味的F1スコアを計算する。
論文 参考訳（メタデータ） (2025-03-05T09:37:05Z) - Benchmarking the Robustness of LiDAR Semantic Segmentation Models [78.6597530416523]
本稿では,LiDARセマンティックセグメンテーションモデルのロバスト性を,様々な汚職の下で包括的に解析することを目的とする。
本稿では,悪天候,計測ノイズ,デバイス間不一致という3つのグループで16のドメイン外LiDAR破損を特徴とするSemanticKITTI-Cというベンチマークを提案する。
我々は、単純だが効果的な修正によってロバスト性を大幅に向上させるロバストLiDARセグメンテーションモデル(RLSeg)を設計する。
論文 参考訳（メタデータ） (2023-01-03T06:47:31Z)
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。