論文の概要: GA-EIRFS: A Geometry-Augmented Repeat-Factor Sampling Method for Long-Tailed LiDAR 3D Object Detection

• arxiv url: http://arxiv.org/abs/2609.38116v1
• Date: Tue, 29 Sep 2026 17:50:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:47.809808
• Title: GA-EIRFS: A Geometry-Augmented Repeat-Factor Sampling Method for Long-Tailed LiDAR 3D Object Detection
• Title（参考訳）: GA-EIRFS:長尺LiDAR3次元物体検出のための幾何拡張繰り返し要素サンプリング法
• Abstract要約: 細長い3Dオブジェクト検出は、クラス周波数問題として扱われるが、LiDARの監視品質は、オブジェクトの可観測性に依存する。 GA-EIRFS(Geometry-Augmented Exponentially Weighted Instance-Aware Repeat Factor Smpling)を紹介する。 GA-EIRFSは、点数、表面正規エントロピー、表面カバレッジを組み合わせた固定幾何スコアで周波数ベースの繰り返し係数を変調する。
• 参考スコア（独自算出の注目度）: 11.64886062804709
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Long-tailed 3D object detection is treated as a class-frequency problem, but LiDAR supervision quality depends on object observability: similar frequencies can hide different geometric evidence. We introduce Geometry-Augmented Exponentially Weighted Instance-Aware Repeat Factor Sampling (GA-EIRFS), a detector-agnostic method that modulates a frequency-based repeat factor with a fixed geometry score combining point count, surface-normal entropy, and surface coverage. GA-EIRFS changes only frame-sampling probabilities, leaving the detector and inference unchanged. On nuScenes it improves mean average precision (mAP) and the nuScenes detection score (NDS) in four converged experiments with CenterPoint and PointPillars over two seeds; for CenterPoint at seed 666, mAP rises from 0.552 to 0.563 and bicycle AP from 0.306 to 0.359. Per-class gains correlate with the class sampling-weight increase (Spearman rho=0.70, p=0.025) but not with geometry score alone (rho=0.32, p=0.37), so geometry amplifies frequency-driven need. KITTI results vary across seeds, most for the rarest class. Code: https://github.com/Multimodal-Sensing-Lab/GA-EIRFS.
• Abstract（参考訳）: 長い尾を持つ3Dオブジェクト検出は、クラス周波数問題として扱われるが、LiDARの監視品質は、オブジェクトの観測可能性に依存している。 本稿では, 位置数, 表面正規エントロピー, 表面積を組み合わせた固定幾何スコアで周波数ベースの繰り返し係数を変調する検出法であるGA-EIRFS(Geometry-Augmented Exponentially Exighted Instance-Aware Repeat Factor Smpling)を紹介する。 GA-EIRFSはフレームサンプリングの確率だけを変更し、検出器と推論は変わらない。 nuScenesでは、平均平均精度(mAP)とNDS(nuScenes detection score)を、CenterPointとPointPillarsの2つの種に対する収束実験で改善し、CenterPointは666で、mAPは0.552から0.563、自転車APは0.306から0.359に上昇した。 クラス当たりの利得はサンプリング重量の増加(Spearman rho=0.70, p=0.025)と相関するが、幾何学的なスコアだけでは(rho=0.32, p=0.37)、幾何学は周波数駆動の要求を増幅する。 KITTIの結果は種によって異なっており、最も稀な種である。 コード:https://github.com/Multimodal-Sensing-Lab/GA-EIRFS

関連論文リスト

• GLocFM: A Geometry-Aware Foundation Model for 3D Indoor Wireless Localization [7.4188535764872485]
  本稿では3Dポイントクラウドとして表現されるWiFi計測とシーン形状を利用する学習ベースの無線ローカライザGLocFMを提案する。 GLocFMは、最先端のローカライゼーションベースラインの1つに対して平均3Dローカライゼーション誤差を49.5%、48.8%削減する。
  論文  参考訳（メタデータ） (2026-08-10T08:39:15Z)
• Do Sheaf Neural Networks Use Holonomy? A Measure--Intervene--Control Study [0.17188280334580197]
  トレーニングされた三角形ループ製品の最初のベース非依存測定を行い,回転,ストーク空間面積,方向を分離する。 学習済みのSO(2)輸送をアイデンティティに置き換えたトレーニングセットサイズ実験全体において、テストエラーが急激に増加し、完全な学習された接続に対する訓練後の感度が確立される。 グラフ平均隆起予測器はより正確であり、対角写像も改善され、固定度グラフはトレーニング平均予測器より優れることなく回転が増大する。
  論文  参考訳（メタデータ） (2026-07-21T18:57:22Z)
• FoundationGeo: Learning Spatial Pixel-Wise Fields for Monocular Metric Geometry [52.232826445242644]
  FoundationGeoは空間キャリブレーションと原則データ設計による相対的および計量的予測を橋渡しする。 ステージ1は DINOv3 で初期化することで高忠実なアフィン不変幾何モデルを学ぶ。 ステージ2は、メートル法推定のためのピクセルワイドキャリブレーションフィールドを導入することで、グローバルなスケーリングを越えている。
  論文  参考訳（メタデータ） (2026-07-13T14:10:01Z)
• SCOPE: Scale-Consistent One-Pass Estimation of 3D Geometry [69.89196162649091]
  SCOPE (Scale-Consistent One-Pass Estimation of 3D Geometry) は、拡張された単眼ビデオシーケンスから3次元幾何学を推定するための新しいアプローチである。 提案手法では,アフィン不変な3次元点マップを全列に共通パラメータで生成し,一貫したスケール不変表現を実現する。
  論文  参考訳（メタデータ） (2026-06-19T10:23:25Z)
• Discretizing Group-Convolutional Neural Networks for 3D Geometry in Feature Space [4.089404117494378]
  グループ畳み込みニューラルネットワーク(GCNN)は、ディープラーニングにおける帰納バイアスとして対称性を導入する上で最も重要な手法の一つである。 本稿では,特徴空間のサンプリングを提案し,幾何学的に密度の高いサンプルを特徴類似性によって選択された代表サンプルに置き換える。 我々の主な経験的発見は、粗い特徴空間サンプリングが、分類精度を著しく高く保っていることである。
  論文  参考訳（メタデータ） (2026-05-14T19:47:43Z)
• Revisiting Domain-Adaptive 3D Object Detection by Reliable, Diverse and Class-balanced Pseudo-Labeling [38.07637524378327]
  ドメイン適応型3Dオブジェクト検出において,疑似ラベリング技術を用いた教師なしドメイン適応(DA)が重要なアプローチとして浮上している。 既存のDAメソッドは、マルチクラスのトレーニング環境に適用した場合、パフォーマンスが大幅に低下する。 本稿では,すべてのクラスを一度に検出する学習に適した新しいReDBフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-07-16T04:34:11Z)
• Enhancing Geometric Factors in Model Learning and Inference for Object Detection and Instance Segmentation [91.12575065731883]
  境界ボックス回帰および非最大抑圧(NMS)における幾何学的要素の強化を目的とした完全IoU損失とクラスタNMSを提案する。 CIoU損失を用いたディープラーニングモデルのトレーニングは、広く採用されている$ell_n$-norm損失とIoUベースの損失と比較して、一貫性のあるAPとARの改善をもたらす。 クラスタ-NMSは、純粋なGPU実装のため非常に効率的であり、APとARの両方を改善するために幾何学的要素を組み込むことができる。
  論文  参考訳（メタデータ） (2020-05-07T16:00:27Z)

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。