論文の概要: Robust LIDAR Sensor-to-Sensor Domain Generalization via Accumulated-Point Scene Completion

• arxiv url: http://arxiv.org/abs/2610.39516v1
• Date: Thu, 29 Oct 2026 07:14:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-02 23:34:10.483923
• Title: Robust LIDAR Sensor-to-Sensor Domain Generalization via Accumulated-Point Scene Completion
• Title（参考訳）: 累積点合成によるロバストLIDARセンサ・センサ・ドメインの一般化
• Abstract要約: LIDARセマンティックセグメンテーションのためのドメイン一般化について検討する。 我々は,占領予測補助目標を付加するソースのみのトレーニングスキームを導入する。 モデルが新しい領域に一般化されることは、モデルがどのように教師されるかによって大きく影響されることを実証する。
• 参考スコア（独自算出の注目度）: 6.627421241222142
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We study domain generalization for LIDAR semantic segmentation. Deep neural networks achieve strong performance on 3D point clouds, yet real-world LIDAR exhibits sensor-specific sampling patterns that hinder transfer across datasets. In many applications, performance on completely unseen sensors is crucial. A model should preferably work on a new setup without prior access to its data or labels. To this end, we introduce a source-only training scheme that adds an occupancy prediction auxiliary objective. We aggregate source-domain scans into a simple world model and use it as the supervision signal, replacing single-scan standard segmentation training. A key property of our approach is that it does not alter the input scan. During training and testing the network consumes the same single-frame LIDAR input, only the supervision signal is enriched via the occupancy objective. At deployment, there is no runtime overhead as the auxiliary head can be dropped for pure segmentation, or kept to obtain scene completion alongside semantic segmentation. In an experimental evaluation across distinct LIDAR datasets, we demonstrate that a model's generalization to new domains can be significantly affected by how it is supervised. In certain setups, performance on unseen domains improves without any explicit domain adaptation (no target scans, no target labels, no sensor priors) and without prediction refinement. At the same time, our method maintains competitive source-domain segmentation performance and incurs no additional inference cost.
• Abstract（参考訳）: LIDARセマンティックセグメンテーションのためのドメイン一般化について検討する。 ディープニューラルネットワークは3Dポイントクラウド上で強力なパフォーマンスを達成するが、現実のLIDARでは、データセット間の転送を妨げるセンサ固有のサンプリングパターンが示される。 多くのアプリケーションでは、完全に見えないセンサーの性能が重要である。 モデルは、データやラベルに事前アクセスすることなく、新しい設定で作業することが望ましい。 そこで本研究では,占領予測補助目標を付加する,ソースのみのトレーニング手法を提案する。 我々は、ソースドメインスキャンを単純な世界モデルに集約し、それを監督信号として使用し、単一スキャン標準セグメンテーショントレーニングを置き換える。 私たちのアプローチの重要な特性は、入力スキャンを変更しないことです。 トレーニングとテストの間、ネットワークは同じ単一フレームのLIDAR入力を消費する。 デプロイ時に、補助ヘッドが純粋なセグメンテーションのためにドロップしたり、セマンティックセグメンテーションと一緒にシーン補完を得るために保持されるため、ランタイムのオーバーヘッドはない。 異なるLIDARデータセット間での実験的な評価において、モデルが新しいドメインに一般化されることは、その管理方法に大きく影響することを示した。 特定の設定では、目に見えないドメインのパフォーマンスは、明示的なドメイン適応(ターゲットスキャンなし、ターゲットラベルなし、センサー事前なし)と予測の洗練無しで改善される。 同時に、本手法は、競合するソースドメインセグメンテーション性能を維持し、追加の推論コストを発生させない。

関連論文リスト

• LAB-Det: Language as a Domain-Invariant Bridge for Training-Free One-Shot Domain Generalization in Object Detection [53.988759250627425]
  物体検出のための訓練不要なワンショット領域一般化を提案する。 我々は各例を、凍結検知器を条件付けし誘導する記述テキストに投影する。 UODD (underwater) と NEU-DET (industrial defects) についての検討
  論文  参考訳（メタデータ） (2026-02-06T08:03:04Z)
• Unsupervised Domain Adaptation for 3D LiDAR Semantic Segmentation Using Contrastive Learning and Multi-Model Pseudo Labeling [0.7373617024876725]
  セグメントレベルでの教師なしのコントラスト学習は、バックボーンネットワークを事前訓練するために使用される。 多様な最先端アーキテクチャのアンサンブルを利用して、マルチモデル擬似ラベル戦略を導入する。 Semantic KITTIからラベルのないターゲットデータセットに適応する実験は、セグメンテーション精度を大幅に改善したことを示している。
  論文  参考訳（メタデータ） (2025-07-24T08:21:43Z)
• ZoRI: Towards Discriminative Zero-Shot Remote Sensing Instance Segmentation [23.40908829241552]
  本稿では,訓練データに欠落した空中物体を特定することを目的とした,ゼロショットリモートセンシングインスタンスセグメンテーションという新しいタスクを提案する。 我々は,事前学習された視覚言語アライメントを維持するために,意味関連情報を分離する知識注入型適応戦略を導入する。 我々は,新しい実験プロトコルとベンチマークを構築し,ZoRIが最先端の性能を達成することを実証する広範囲な実験を行った。
  論文  参考訳（メタデータ） (2024-12-17T11:00:56Z)
• Finetuning Pre-trained Model with Limited Data for LiDAR-based 3D Object Detection by Bridging Domain Gaps [8.897884780881535]
  LiDARベースの3Dオブジェクト検出器は、センサーの設定が異なるターゲットドメインにうまく適応できないことが多い。 近年の研究では、トレーニング済みのバックボーンは大規模でラベルのないLiDARフレームで自己管理的に学習できることが示唆されている。 本研究では,対象データに制限のある事前学習モデルを適用するために,DADT(Domain Adaptive Distill-Tuning)と呼ばれる新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-10-02T08:22:42Z)
• SSDA3D: Semi-supervised Domain Adaptation for 3D Object Detection from Point Cloud [125.9472454212909]
  本稿では,3次元物体検出(SSDA3D)のための半改良型領域適応法を提案する。 SSDA3Dはドメイン間適応ステージとドメイン内一般化ステージを含む。 実験の結果,10%のラベル付きターゲットデータしか持たないSSDA3Dは,100%のターゲットラベルを持つ完全教師付きオラクルモデルを上回ることができることがわかった。
  論文  参考訳（メタデータ） (2022-12-06T09:32:44Z)
• Attentive Prototypes for Source-free Unsupervised Domain Adaptive 3D Object Detection [85.11649974840758]
  3Dオブジェクト検出ネットワークは、トレーニングされたデータに対してバイアスを受ける傾向がある。 そこで本研究では,ライダーを用いた3次元物体検出器のソースレス・教師なし領域適応のための単一フレーム手法を提案する。
  論文  参考訳（メタデータ） (2021-11-30T18:42:42Z)
• Stagewise Unsupervised Domain Adaptation with Adversarial Self-Training for Road Segmentation of Remote Sensing Images [93.50240389540252]
  リモートセンシング画像からの道路セグメンテーションは、幅広い応用可能性を持つ課題である。 本稿では,この領域における領域シフト(DS)問題に対処するため,RoadDAと呼ばれる新たな段階的ドメイン適応モデルを提案する。 2つのベンチマーク実験の結果、RoadDAはドメインギャップを効率的に減らし、最先端の手法より優れていることが示された。
  論文  参考訳（メタデータ） (2021-08-28T09:29:14Z)
• Unsupervised Domain Adaptation in LiDAR Semantic Segmentation with Self-Supervision and Gated Adapters [13.744866002650076]
  本稿では、ラベルのない対象ドメインデータを自己監督のために活用する、教師なしドメイン適応フレームワークを提案する。 実-実-実-実-実-実-合成-実-実-実-実-実のLiDARセマンティックセグメンテーションベンチマークから適用した実験は、先行技術よりも大幅に改善されたことを示している。
  論文  参考訳（メタデータ） (2021-07-20T21:57:18Z)
• A Free Lunch for Unsupervised Domain Adaptive Object Detection without Source Data [69.091485888121]
  教師なしドメイン適応(unsupervised domain adaptation) ソースとターゲットのドメインデータは自由に利用でき、通常、ドメイン間のギャップを減らすために一緒に訓練される。 ノイズの多いラベルで学習する問題にモデル化することで,ソースデータのないドメイン適応オブジェクト検出(SFOD)フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-12-10T01:42:35Z)
• Understanding Self-Training for Gradual Domain Adaptation [107.37869221297687]
  段階的なドメイン適応は、対象領域へ徐々にシフトするラベルのないデータのみを与えられたソースドメインで訓練された初期分類器を適応させることが目的である。 目標領域への直接適応が非有界誤差をもたらすような設定下において、段階的なシフトを伴う自己学習の誤差に対する最初の非無空上界を証明した。 この理論解析はアルゴリズムの洞察を導き、無限のデータを持つ場合でも正規化とラベルのシャープ化が不可欠であることを強調し、より小さなワッサーシュタイン無限距離のシフトに対して自己学習が特にうまく働くことを示唆している。
  論文  参考訳（メタデータ） (2020-02-26T08:59:40Z)

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。