論文の概要: Solution for UCF UrbanTwin LUMPI Track: Sim-to-Real Urban LiDAR 3D Object Detection

• arxiv url: http://arxiv.org/abs/2609.07590v1
• Date: Mon, 07 Sep 2026 15:03:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-10 19:44:08.449707
• Title: Solution for UCF UrbanTwin LUMPI Track: Sim-to-Real Urban LiDAR 3D Object Detection
• Title（参考訳）: UCFUrbanTwin LUMPIトラックの解:都市LiDAR3Dオブジェクトの同時検出
• Abstract要約: UCF UrbanTwin Sim2Real LiDAR Challenge at the 6th DriveX Workshop, ECCV 2026。 検出器は合成データのみに基づいて訓練され、50個の実LiDARフレームで評価される。 ポイントクラウドリアリズムに対して、別の50フレームの合成提案が評価される。
• 参考スコア（独自算出の注目度）: 54.03436243843709
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present our solution to the LUMPI track of the UCF UrbanTwin Sim2Real LiDAR Challenge at the 6th DriveX Workshop, ECCV 2026. The detector must be trained only on synthetic data and is evaluated on 50 held-out real LiDAR frames; a separate 50-frame synthetic submission is evaluated for point-cloud realism. Our method addresses the Sim2Real gap at three levels. First, we align synthetic scans to the 50k-point test density and build a 30k-record training pool using UT-LUMPI geometry, RangeLDM-based sampling diversification, rare-class copy-paste, and pedestrian-oriented augmentation. Second, complementary DSVT detectors and Car/Bus PointPillars specialists are trained under the same synthetic-only constraint. Third, predictions are integrated by class-aware routing, asymmetric agreement fusion, constrained residual-recall supplementation, class-coverage auditing, and selective box-size calibration. The realism branch is optimized independently with radial-density matching, weak affine calibration, and calibrated set mixing. The final submission obtains a Combined Score of 0.4692, a Detection Score of 0.1797, a Realism Score of 0.9035, and 3D mAP@0.5 of 0.1258.
• Abstract（参考訳）: UCF UrbanTwin Sim2Real LiDAR Challenge at the 6th DriveX Workshop, ECCV 2026。 検出器は、合成データのみに基づいて訓練され、50フレームの実LiDARフレームで評価され、50フレームの合成提出は、ポイントクラウドリアリズムに対して評価される。 本手法はSim2Realのギャップを3段階に解決する。 まず, UT-LUMPI幾何, RangeLDMに基づくサンプリングの多様化, 希少なコピーペースト, 歩行者指向の増設を用いて, 合成スキャンを50k点検定密度に整列し, 30kレコードのトレーニングプールを構築した。 第二に、相補的なDSVT検出器とCar/Bus PointPillarsスペシャリストは同じ合成のみの制約の下で訓練されている。 第三に、予測はクラス対応ルーティング、非対称なコンセンサス融合、制約付きリコール補充、クラスカバレッジ監査、選択的なボックスサイズ校正によって統合される。 リアリズム分岐は、放射密度マッチング、弱いアフィンキャリブレーション、調整されたセットミキシングによって独立に最適化される。 最終的な提出書では、コンバインドスコア0.4692、検出スコア0.1797、リアリズムスコア0.9035、3D mAP@0.5、0.1258を得る。

関連論文リスト

• Solution for UCF UrbanTwin V2X-Real Track: Sim-to-Real Urban LiDAR 3D Object Detection [54.03436243843709]
  本報告では,Sim2Real 3D検出のためのマルチソース協調学習とクラス認識融合フレームワークを提案する。 この方法は、デジタルツインスキャン、拡散露光スキャン、密度安定化スキャン、歩行者形態に整列したサンプルを補完的な役割を持つ統合トレーニングプールに整理する。
  論文  参考訳（メタデータ） (2026-09-07T15:16:15Z)
• Syn2RealTrack: Bridging the Gap Between Synthetic and Real-World Datasets for Online Multi-View Multi-Target Tracking [14.031215272664538]
  倉庫シーンのマルチカメラ3D認識システムは、主に合成データに基づいて訓練されている。 その結果、合成と現実のギャップは、地上の局在とカメラ間のアイデンティティーアソシエーションを損なう。 代わりに、カメラキャリブレーション、以前の物体形状、対象の国勢調査が知られているという仮定の3つの分離可能な点でパイプラインに入ることを議論する。
  論文  参考訳（メタデータ） (2026-08-25T06:48:50Z)
• Sparse-LiDAR Prompting of Monocular Geometry Foundations: An Empirical Study Toward Long-Range Driving Depth [10.469394868633234]
  真に疎いLiDAR入力を受け入れるMoGe-2の最初の適応であるSLIMを提案する。 Virtual KITTIとCARLAでは、SLIMはMoGe-2ベースラインの絶対誤差を100-150mで約39-51%削減する。
  論文  参考訳（メタデータ） (2026-05-26T02:12:15Z)
• SimulCost: A Cost-Aware Benchmark and Toolkit for Automating Physics Simulations with LLMs [56.07550353240028]
  物理シミュレーションにおけるコスト依存パラメータチューニングをターゲットとした最初のベンチマークであるSimulCostを紹介する。 SimulCostは、LCMチューニングのコスト感受性パラメータと従来のスキャン手法の精度と計算コストを比較した。 各シミュレータのコストは解析的に定義され、プラットフォームに依存しない。
  論文  参考訳（メタデータ） (2026-03-11T05:00:48Z)
• On the Limitations of Ray-Tracing for Learning-Based RF Tasks in Urban Environments [4.097291451674696]
  ローマ中央部の屋外細胞リンクにおけるSionna v ray-tracingの現実性について検討した。 我々は、経路深さ、拡散/特異/屈折フラグ、キャリア周波数、アンテナの特性など、主なシミュレーションパラメータを変化させる。
  論文  参考訳（メタデータ） (2025-07-25T19:58:44Z)
• JiSAM: Alleviate Labeling Burden and Corner Case Problems in Autonomous Driving via Minimal Real-World Data [49.2298619289506]
  本稿では,ジッタリング強化,ドメイン認識バックボーン,メモリに基づくセクタライズAlignMentのためのJiSAMというプラグイン・アンド・プレイ手法を提案する。 有名なADデータセットであるNuScenesで実施された広範な実験において、SOTA 3Dオブジェクト検出器を用いて、JiSAMはシミュレーションデータと2.5%の実データにラベルを付けるだけで、実データで訓練されたモデルに匹敵する性能が得られることを示した。
  論文  参考訳（メタデータ） (2025-03-11T13:35:39Z)
• Consistent-Teacher: Towards Reducing Inconsistent Pseudo-targets in Semi-supervised Object Detection [28.40887130075552]
  擬似ターゲットは正確な検出器の訓練を損なう。 生徒のトレーニングにノイズを注入し、過度な過度な問題を引き起こす。 不整合を低減するために,ConsistentTeacherと呼ばれる体系的ソリューションを提案する。
  論文  参考訳（メタデータ） (2022-09-04T10:21:02Z)
• Modality-Aware Triplet Hard Mining for Zero-shot Sketch-Based Image Retrieval [51.42470171051007]
  本稿では,ZES-SBIR(Zero-Shot Sketch-Based Image Retrieval)問題に,クロスモダリティメトリック学習の観点から取り組む。 DMLにおける2つの基本的な学習手法、例えば分類訓練とペアトレーニングを組み合わせることで、ZS-SBIRの強力なベースラインを構築した。 モータリティ・アウェア・トリプルト・ハード・マイニング(MATHM)は3種類のペア・ラーニングによってベースラインを向上することを示す。
  論文  参考訳（メタデータ） (2021-12-15T08:36:44Z)
• ePointDA: An End-to-End Simulation-to-Real Domain Adaptation Framework for LiDAR Point Cloud Segmentation [111.56730703473411]
  LiDARデータ上でディープニューラルネットワーク(DNN)をトレーニングするには、大規模なポイントワイドアノテーションが必要である。 シミュレーション・トゥ・リアル・ドメイン適応(SRDA)は、DNNを無制限の合成データと自動生成されたラベルで訓練する。 ePointDAは、自己教師付きドロップアウトノイズレンダリング、統計不変および空間適応型特徴アライメント、転送可能なセグメンテーション学習の3つのモジュールで構成されている。
  論文  参考訳（メタデータ） (2020-09-07T23:46:08Z)

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。