論文の概要: BhopalMLS: A LiDAR Dataset for Semantic Scene Understanding in Heterogeneous Urban Environments

• arxiv url: http://arxiv.org/abs/2611.04654v1
• Date: Tue, 03 Nov 2026 10:41:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-09 14:19:50.705074
• Title: BhopalMLS: A LiDAR Dataset for Semantic Scene Understanding in Heterogeneous Urban Environments
• Title（参考訳）: BhopalMLS:異種都市環境におけるセマンティックシーン理解のためのLiDARデータセット
• Abstract要約: BhopalMLSは,インド・ブッパルの密集したヘテロジニアスな都市環境から,大規模な移動型レーザースキャン(MLS)データセットである。 約10kmの道路回廊があり、12億点以上、62の細粒の静的アノテートカテゴリーに19,518のインスタンスがある。 十分に計画された都市で収集された既存の3Dデータセットは、計画されていない設定よりも構造的に一様である。 BhopalMLSは、よく計画された都市を超えた3D認識のためのテストベッドを提供する。
• 参考スコア（独自算出の注目度）: 8.806283503117589
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We introduce BhopalMLS, a large-scale Mobile Laser Scanning (MLS) dataset from a dense, heterogeneous urban environment in Bhopal, India, with mixed traffic, informal structures, and narrow unplanned streets. It spans approximately 10 km of road corridors with over 1.2 billion points and 19,518 annotated instances across 62 fine-grained static categories, grouped into 12-class and 21-class benchmark taxonomies; 6 optional moving-class subclasses support dynamic-object analysis. Existing 3D datasets, collected in well-planned cities, are structurally more uniform than such unplanned settings, and lack their subtype diversity. On semantic and instance segmentation at both granularities, fine-tuned foundation models surpass supervised baselines: Utonia(L) reaches 71.28% mIoU (vs. PTv3's 68.04% from scratch) and 44.07% mAP50 on the 12-class benchmark. Cross-region experiments against four established datasets (Ke-MLS, Toronto-3D, Paris-Lille-3D, SemanticKITTI) reveal a consistent asymmetric transferability: models trained on BhopalMLS transfer better than the reverse on every pair, for both Utonia(L) and Concerto(L) (mean 21.5, up to 36 mIoU points), holding even when the target is denser. Factor-controlled retraining at a fixed label budget, repeated on both models, attributes this to the coverage of BhopalMLS's subtype inventory rather than to dataset size or corridor geometry: collapsing each class to a single subtype costs 13.0 and 13.3 mIoU points for Utonia(L) and Concerto(L). BhopalMLS therefore offers a testbed for 3D perception beyond well-planned cities. Data and an interactive viewer are at https://geoai4cities.github.io/bhopalmls.
• Abstract（参考訳）: BhopalMLSは、インド・ブホバルの密集したヘテロジニアスな都市環境から、交通の混在、非公式な構造、未計画の狭い街路からの大規模移動レーザースキャン(MLS)データセットである。 約10kmの道路回廊に12億点以上の点があり、62の微粒な静的カテゴリーに19,518の注釈付きインスタンスがあり、12クラスと21クラスのベンチマーク分類に分類されている。 十分に計画された都市で収集された既存の3Dデータセットは、そのような計画されていない設定よりも構造的に一様であり、サブタイプの多様性が欠如している。 Utonia(L) は 71.28% mIoU (vs. PTv3 の68.04% はゼロから)、44.07% mAP50 である。 4つの確立されたデータセット(Ke-MLS, Toronto-3D, Paris-Lille-3D, SemanticKITTI)に対するクロスリージョン実験では、BhopalMLSで訓練されたモデルが、Utonia(L) と Concerto(L)(平均 21.5, 最大 36 mIoU 点)の両方に対して、各ペアの逆転よりも優れた非対称転送性を示す。 両モデルで繰り返し繰り返される固定ラベル予算での因子制御された再訓練は、BhopalMLSのサブタイプ在庫をデータセットのサイズや廊下の幾何学ではなくカバーしているためである: ユトニア(L)とコンチェルト(L)の13.0および13.3 mIoUポイントに各クラスをラップする。 そこでBhopalMLSは、よく計画された都市を超えた3D認識のためのテストベッドを提供する。 データとインタラクティブなビューアはhttps://geoai4cities.github.io/bhopalmls.orgにある。

関連論文リスト

• Slum Detection and Density Mapping with AlphaEarth Foundations: A Representation Learning Evaluation Across 12 Global Cities [9.982796078979648]
  画素レベルのスラムマッピングは、長い間、限られた都市間一般化によって制約されてきた。 AlphaEarth Foundationsは、軽量スラムモニタリングのための新しい分析可能なベースを提供する。 我々は,12都市と69都市年対のスラム分類とサブピクセル密度推定についてAFFを評価した。
  論文  参考訳（メタデータ） (2026-05-11T05:54:15Z)
• Benchmarking Linguistic Adaptation in Comparable-Sized LLMs: A Study of Llama-3.1-8B, Mistral-7B-v0.1, and Qwen3-8B on Romanized Nepali [0.0]
  ネパール語はラテン文字で書かれたネパール語であり、ネパールにおける非公式なデジタルコミュニケーションの主流となっている。 本研究では、3つの同等サイズのオープンウェイトモデルにまたがる言語適応の系統的ベンチマークを示す。
  論文  参考訳（メタデータ） (2026-03-25T07:02:51Z)
• Are Aligned Large Language Models Still Misaligned? [13.062124372682106]
  Mis-Align Bench は、安全性、価値、文化的側面の相違を分析するための統一されたベンチマークである。 SAVACUは、112のドメイン(またはラベル)にまたがる382,424のミスアライメントデータセットである。
  論文  参考訳（メタデータ） (2026-02-11T19:30:43Z)
• Benchmarking Cross-Lingual Semantic Alignment in Multilingual Embeddings [0.0]
  タスク駆動ベンチマーク(MTEB)は基本的なアライメントの欠点を隠蔽する可能性がある。 意味的親和性 (Semantic Affinity, SA) は, 言語間比と言語内拡散比の有界(0, 1)の測定値である。 4つのデータセット(52の実験)に13のモデルをベンチマークすると、3層構造が明らかになる。
  論文  参考訳（メタデータ） (2025-12-29T14:32:57Z)
• Benchmarking Large Language Models for Geolocating Colonial Virginia Land Grants [0.0]
  バージニアの17世紀から18世紀の土地特許は、主に物語のメッツ・アンド・バウンドの記述として残っている。 本研究では、これらの散文を地理的に正確な緯度・経度座標に変換する際に、現在世代の大言語モデル(LLM)を体系的に評価する。
  論文  参考訳（メタデータ） (2025-07-27T21:49:58Z)
• DataComp-LM: In search of the next generation of training sets for language models [200.5293181577585]
  DataComp for Language Models (DCLM)は、制御されたデータセット実験のためのテストベッドであり、言語モデルを改善することを目的としている。 我々は、Common Crawlから抽出された240Tトークンの標準化コーパス、OpenLMフレームワークに基づく効果的な事前学習レシピ、53の下流評価スイートを提供する。 DCLMベンチマークの参加者は、412Mから7Bパラメータのモデルスケールでの重複、フィルタリング、データ混合などのデータキュレーション戦略を実験することができる。
  論文  参考訳（メタデータ） (2024-06-17T17:42:57Z)
• Distortions in Judged Spatial Relations in Large Language Models [45.875801135769585]
  GPT-4は55%の精度で優れた性能を示し、GPT-3.5は47%、Llama-2は45%であった。 モデルは、ほとんどの場合において最も近い基数方向を同定し、その連想学習機構を反映した。
  論文  参考訳（メタデータ） (2024-01-08T20:08:04Z)
• Navya3DSeg -- Navya 3D Semantic Segmentation Dataset & split generation for autonomous vehicles [63.20765930558542]
  3Dセマンティックデータは、障害物検出やエゴ-車両の局所化といった中核的な認識タスクに有用である。 そこで我々は,大規模生産段階の運用領域に対応する多様なラベル空間を持つ新しいデータセットであるNavala 3D(Navya3DSeg)を提案する。 ラベルのない23のラベル付きシーケンスと25の補足シーケンスが含まれており、ポイントクラウド上の自己教師付きおよび半教師付きセマンティックセマンティックセグメンテーションベンチマークを探索するために設計された。
  論文  参考訳（メタデータ） (2023-02-16T13:41:19Z)

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。