論文の概要: ReinSeg: Retrieval-Guided Bounded Multimodal Refinement for 3-D Road Anomaly Segmentation

• arxiv url: http://arxiv.org/abs/2611.02648v1
• Date: Mon, 02 Nov 2026 07:10:16 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-03 19:50:45.1556
• Title: ReinSeg: Retrieval-Guided Bounded Multimodal Refinement for 3-D Road Anomaly Segmentation
• Title（参考訳）: ReinSeg:3次元道路異常セグメンテーションのための検索ガイド付きマルチモーダルリファインメント
• Abstract要約: ReinSegは、ポイントワイド道路異常セグメンテーションのための検索誘導型有界マルチモーダルリファインメントフレームワークである。 検証平均精度を27.54%から35.67%に改善し、95%の異常リコールで偽陽性率を減らす。 LiDARのみのパフォーマンスを21.8フレーム/秒で実行しながら、欠落、破損、あるいは不一致のカメラ入力の下で維持する。
• 参考スコア（独自算出の注目度）: 2.252028981207954
• License:
• Abstract: 3-D road anomaly segmentation is essential for risk-aware perception in autonomous driving. Its central challenge is to rank sparsely observed hazards ahead of abundant normal road structures while preserving point-wise metric localization. LiDAR provides accurate 3-D point support, whereas surround-view imagery offers complementary semantic context for separating unexpected hazards from challenging normal structures. We propose ReinSeg, a retrieval-guided bounded multimodal refinement framework for point-wise road anomaly segmentation. Occupied LiDAR bird's-eye-view cells retrieve scene-specific context from a shared memory of eight surround-view images without supplying calibration variables to the retrieval module. A relative-norm-bounded residual returns this context to the LiDAR point features, so the frozen LIDO anomaly-scoring interface is preserved, and the refinement is optimized with in-distribution semantic labels only. On the Spotting the Unexpected (STU) benchmark, ReinSeg improves validation average precision from 27.54\% to 35.67\% and reduces the false-positive rate at 95\% anomaly recall from 34.85\% to 10.61\%, shrinking the high-recall screening set from 67.54 to 20.55 million points. Relative to REL, AP is 24.99 percentage points higher and FPR95 is 0.99 points lower. Matched interfaces and component isolation show that retrieved scene imagery and the relative-norm bound are both essential, and ReinSeg stays above LiDAR-only performance under missing, corrupted, or misaligned camera inputs while running at 21.8 frames per second. These results establish bounded retrieval of scene-specific visual evidence as an effective route to reliable 3-D road-hazard perception.
• Abstract（参考訳）: 自律運転におけるリスク認識には3次元道路異常セグメンテーションが不可欠である。 その中心的な課題は、ポイントワイドメートル法を保ちながら、正常な道路構造に先立って、わずかに観察された危険をランク付けすることである。 LiDARは正確な3Dポイントサポートを提供するが、サラウンドビューイメージは、予期せぬ危険を通常の構造から切り離すための補完的なセマンティックコンテキストを提供する。 本稿では,ポイントワイド道路異常セグメンテーションのための検索誘導型マルチモーダルリファインメントフレームワークReinSegを提案する。 占領されたLiDAR鳥眼視細胞は、検索モジュールにキャリブレーション変数を供給せずに、8つのサラウンドビュー画像の共有メモリからシーン固有のコンテキストを検索する。 相対ノルム有界残差は、このコンテキストをLiDAR点の特徴に戻すため、凍結したLIDO異常表示インタフェースは保存され、その改善は、分布内セマンティックラベルのみで最適化される。 Spotting the Unexpected (STU) ベンチマークでは、ReinSeg は検証平均精度を 27.54 % から 35.67 % に改善し、偽陽性率 95 % を 34.85 % から 10.61 % に引き下げ、67.54 から 20.55 万ポイントに縮小した。 RELと比較して、APは24.99ポイント高く、FPR95は0.99ポイント低い。 マッチングされたインターフェースとコンポーネント分離は、検索されたシーンイメージと相対ノルム境界の両方が必須であることを示し、ReinSegは、毎秒21.8フレームで実行中に、LiDARのみのパフォーマンスを欠落、破損、あるいは不一致のカメラ入力で維持する。 これらの結果は,3次元道路ハザード認識への有効な経路として,シーン固有の視覚的証拠の有界検索を確立した。

関連論文リスト

• Anchor-Free Hidden-Target Seeking via Certified Self-Calibration under Correlated Odometry [0.0]
  車両、中継機、ターゲットがグローバルなポーズをとらないアンカーフリーなシステムにおける隠れターゲット探索について検討する。 我々は,O(K)多視点自己校正推定器を導入する。 200回の無作為閉ループ試験では、長い地平線上で27mのデッドレコンドリフトにもかかわらず、真のリレーヤウが与えられた場合、この方法は0.064mの中央駅誤差と0.065mのオラクルの中央駅誤差を達成できた。
  論文  参考訳（メタデータ） (2026-08-26T11:47:11Z)
• Efficient Visual Pointing for Embodied AI:Agent-Driven Data Synthesis, Cross-Block Attention, and Iterative Correction [55.11480729304395]
  PointArena 2026は77.2%の精度でベンチマークで2位である。 ap proachは3つの障害モードをターゲットにしている。第一に、エージェント駆動のシンセシスは大きなセマンティクスとアンカー相対的な候補プールを構築する。 次に、determinis tic steerable-dataパイプラインは、認証された10,000サンプルのメインセットと、マスク、テンプレート、パス検証を使用するリザーブサンプルを生成する。
  論文  参考訳（メタデータ） (2026-06-29T06:39:03Z)
• Beyond Localization: A Comprehensive Diagnosis of Perspective-Conditioned Spatial Reasoning in MLLMs from Omnidirectional Images [52.50752250573993]
  MLLM(Multimodal Large Language Models)は、視覚的知覚が強いが、視点の変化による空間の推論には限界がある。 本研究では、この課題を全方位360度画像におけるパースペクティブ・コンディションド・スペース・推論(PCSR)として検討する。 我々は2,600全方位画像から84,373組の質問応答対の診断ベンチマークであるPCSR-Benchを紹介する。
  論文  参考訳（メタデータ） (2026-05-12T17:11:17Z)
• Graph Theoretical Outlier Rejection for 4D Radar Registration in Feature-Poor Environments [0.6171990546748666]
  自動車用4Dイメージングレーダーは、ほこりの多い低視界環境での運用に適している。 しかし、ノイズやマルチパスリフレクションによるスキャンの間隔と急激な検出のため、登録は依然として困難である。 斜線グラフ(PCM)に対するレーダ適応型ペアワイズ距離不変スコアリング関数を提案する。 提案手法は,1mセグメントで29.6%,100mセグメントで最大で29.6%削減する。
  論文  参考訳（メタデータ） (2026-04-16T10:44:47Z)
• A Graph Attention Network-Based Framework for Reconstructing Missing LiDAR Beams [0.0]
  本稿では,現在のLiDARフレームのみを用いて,行方不明な垂直チャネルを再構築するグラフ注意ネットワークフレームワークを提案する。 多層GATは、局所的な幾何学的近傍における適応的な注意重みを学習し、ドロップアウト箇所で欠落した標高(z)値を直接回帰する。 推論は1つのGPU上で1フレームあたり14.65秒かかる。
  論文  参考訳（メタデータ） (2025-12-13T17:50:57Z)
• Urban 3D Change Detection Using LiDAR Sensor for HD Map Maintenance and Smart Mobility [26.712098856567888]
  都市規模LiDARのための物体中心型不確実性認識パイプラインを提案する。 これはエポックを多分解能NDTと整列し、次に点対平面ICP、高さを正規化し、位置検出レベルを導出する。 15代表のスービアコでは95.2%の精度、90.4%のmF1、82.6%のmIoUがトリプルトKPConvを超える精度、0.2のmF1、0.8のmIoUがブロックされ、IoUが74.8%に達し、7.6ポイント改善された。
  論文  参考訳（メタデータ） (2025-10-24T02:59:55Z)
• Recov-Vision: Linking Street View Imagery and Vision-Language Models for Post-Disaster Recovery [4.895685497002736]
  災害後のビルレベルの占有は、トリアージ、検査、ユーティリティーの再エネルギー化、資源配分等に不可欠である。 本稿では、パノラマ動画をパーセルにリンクし、ファサードにビューを修正し、解釈可能な属性を付与するフレームワークであるFacadeTrackを紹介する。 2段階のアプローチは、0.927の精度、0.781のリコール、F-1のスコアを0.848の精度で達成し、1段階のベースラインの0.943の精度、0.728のリコール、F-1のスコアを0.822の精度で達成する。
  論文  参考訳（メタデータ） (2025-09-25T00:01:38Z)
• SRRT: Exploring Search Region Regulation for Visual Object Tracking [58.68120400180216]
  探索領域規則追跡(SRRT)と呼ばれる新しい追跡パラダイムを提案する。 SRRTでは,各フレームに対して最適な探索領域を動的に推定するために,提案された探索領域レギュレータを適用している。 大規模なLaSOTベンチマークでは、SRRTはSiamRPN++とTransTをAUCの4.6%と3.1%で改善した。
  論文  参考訳（メタデータ） (2022-07-10T11:18:26Z)
• Road Curb Detection and Localization with Monocular Forward-view Vehicle Camera [74.45649274085447]
  魚眼レンズを装着した校正単眼カメラを用いて3Dパラメータを推定するロバストな手法を提案する。 我々のアプローチでは、車両が90%以上の精度で、リアルタイムで距離を抑えることができる。
  論文  参考訳（メタデータ） (2020-02-28T00:24:18Z)

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。