論文の概要: Role-based Effectiveness of an Epistemic Uncertainty Estimate in Training Models for Semantic Segmentation of 3D LiDAR Point Clouds
- arxiv url: http://arxiv.org/abs/2611.05569v1
- Date: Tue, 03 Nov 2026 20:01:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-06 03:25:57.835047
- Title: Role-based Effectiveness of an Epistemic Uncertainty Estimate in Training Models for Semantic Segmentation of 3D LiDAR Point Clouds
- Title（参考訳）: 3次元LiDAR点雲のセマンティックセグメンテーションのためのトレーニングモデルにおける認識不確かさ推定の役割に基づく効果
- Abstract要約: ポイントクラウドセグメンテーションは、3Dデータ分析における基本的なタスクであり、ロボット工学、拡張現実、バーチャルリアリティー、リモートセンシングといった分野にまたがる応用がある。
不確実性は、精度を向上するデバイスとしてではなく、セグメンテーションパイプラインで複数の役割を果たすことができる。
- 参考スコア（独自算出の注目度）: 1.3607388598209322
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Point cloud segmentation is a fundamental task in 3D data analysis, with applications across robotics, augmented and virtual reality, and remote sensing. However, the inherent sparsity, noise, and unordered nature of point clouds introduce significant challenges, particularly in achieving reliable classification. While the state-of-the-art rely on training models for explicit modeling of uncertainty, there is a gap in exploring different roles that estimated uncertainty using generative approaches can play. This work investigates the impact of deterministic uncertainty in point cloud segmentation by explicitly modeling epistemic uncertainty and using it in different roles, namely, as a feature and in loss function. We evaluate a baseline artificial neural network (ANN) and two uncertainty-aware variants (uncertainty as an additional input feature and as a per-sample confidence weight in the training loss) on four large-scale LiDAR benchmarks spanning airborne and mobile acquisition, namely ISPRS Vaihingen, AHN3, Paris-Lille-3D, and Toronto-3D, together with PointNet++ and RandLA-Net references and their uncertainty-augmented counterparts under canonical spatially disjoint train and test splits. Under this protocol, uncertainty-aware modeling improves mean Intersection over Union, recovers minority classes that the baseline ANN never predicts at all, and in half of the configurations improves the alignment between prediction error and estimated uncertainty as measured by Patch Accuracy versus Patch Uncertainty. Our findings indicate that uncertainty can play multiple roles in the segmentation pipeline rather than as a device for improving accuracy alone.
- Abstract（参考訳）: ポイントクラウドセグメンテーションは、3Dデータ分析における基本的なタスクであり、ロボット工学、拡張現実、バーチャルリアリティー、リモートセンシングといった分野にまたがる応用がある。
しかし、特異性、ノイズ、および秩序のない点雲の性質は、特に信頼性の高い分類を達成する上で大きな課題をもたらす。
最先端技術は、不確実性の明示的なモデリングのためのトレーニングモデルに依存しているが、生成的アプローチを用いて不確実性を推定する様々な役割の探索にはギャップがある。
本研究は, 点雲セグメンテーションにおける決定論的不確実性の影響を, 疫学的不確実性を明示的にモデル化し, 特徴として, 損失関数として, 異なる役割で利用することによって検討する。
ISPRS Vaihingen, AHN3, Paris-Lille-3D, Toronto-3Dの4つの大規模LiDARベンチマークに対して,PointNet++およびRandLA-Netの参照と,その不確実性に拡張された列車と試験分割を併用して,ベースラインニューラルネットワーク(ANN)と2つの不確実性(不確実性は追加入力として,トレーニング損失の標本当たり信頼度として)を評価した。
このプロトコルの下では、不確実性を考慮したモデリングは、平均的インターセクション(Intersection over Union)を改善し、ベースラインANNが予測しないマイノリティクラスを回復し、構成の半分は、パッチ精度対パッチ不確実性によって測定された予測エラーと推定不確実性との整合性を改善する。
以上の結果から, セグメンテーションパイプラインにおける不確実性は, 精度を向上する装置としてではなく, 複数の役割を担っていることが示唆された。
関連論文リスト
- Point-level Uncertainty Evaluation of Mobile Laser Scanning Point Clouds [4.164044593574969]
本研究では,点レベルの不確実性評価のための機械学習に基づくフレームワークを提案する。
局所幾何学的特徴と点レベルの誤差の関係を学習する。
実験により,両モデルが幾何特性と不確実性の間の非線形関係を効果的に捉えることができることを示した。
論文 参考訳（メタデータ） (2025-10-24T21:30:52Z) - Adaptive Dual Uncertainty Optimization: Boosting Monocular 3D Object Detection under Test-Time Shifts [80.32933059529135]
TTA(Test-Time Adaptation)メソッドが出現し、推論中にターゲット分布に適応する。
我々は、堅牢なM3ODの両不確実性を共同で最小化するために設計された、最初のTTAフレームワークであるDual Uncertainity Optimization (DUO)を提案する。
並列に,明瞭な意味的手がかりを持つ領域における幾何学的コヒーレンスを保存する意味認識型正規場制約を設計する。
論文 参考訳（メタデータ） (2025-08-28T07:09:21Z) - Predictive Uncertainty Quantification for Bird's Eye View Segmentation: A Benchmark and Novel Loss Function [10.193504550494486]
本稿では,Bird's Eye View (BEV)セグメンテーションにおける予測不確実性定量化のためのベンチマークを提案する。
本研究は,非分類および非分布画素の検出における定量化不確実性の有効性に焦点をあてる。
本研究では,不均衡なデータに特化して設計された新しい損失関数Uncertainty-Focal-Cross-Entropy (UFCE)を提案する。
論文 参考訳（メタデータ） (2024-05-31T16:32:46Z) - Explainability through uncertainty: Trustworthy decision-making with neural networks [1.104960878651584]
不確実性は、あらゆる機械学習モデルの主要な特徴である。
ニューラルネットワークでは特に重要であり、過信されがちである。
XAIとしての不確実性は、下流の意思決定タスクにおけるモデルの信頼性を改善する。
論文 参考訳（メタデータ） (2024-03-15T10:22:48Z) - FILP-3D: Enhancing 3D Few-shot Class-incremental Learning with Pre-trained Vision-Language Models [59.13757801286343]
クラス増分学習(class-incremental learning)は、モデルが限られたデータで漸進的にトレーニングされている場合、破滅的な忘れの問題を軽減することを目的としている。
本稿では,特徴空間の不整合のための冗長特徴除去器 (RFE) と,重要な雑音に対する空間ノイズ補償器 (SNC) の2つの新しいコンポーネントを備えたFILP-3Dフレームワークを紹介する。
論文 参考訳（メタデータ） (2023-12-28T14:52:07Z) - Mutual Information-calibrated Conformal Feature Fusion for
Uncertainty-Aware Multimodal 3D Object Detection at the Edge [1.7898305876314982]
3次元(3D)物体検出は、重要なロボティクスの操作であり、大きな進歩を遂げている。
本研究は,共形推論の原理と情報理論測度を統合し,モンテカルロ自由な不確実性推定を行う。
このフレームワークは、KITTIの3Dオブジェクト検出ベンチマークにおいて、不確実性に気付かない類似のメソッドと同等またはより良いパフォーマンスを示す。
論文 参考訳（メタデータ） (2023-09-18T09:02:44Z) - Toward Reliable Human Pose Forecasting with Uncertainty [51.628234388046195]
我々は、複数のモデルを含む人間のポーズ予測のためのオープンソースのライブラリを開発し、複数のデータセットをサポートする。
我々は、パフォーマンスを高め、より良い信頼をもたらすために、問題の2つの不確実性を考案する。
論文 参考訳（メタデータ） (2023-04-13T17:56:08Z) - Lightweight, Uncertainty-Aware Conformalized Visual Odometry [2.429910016019183]
データ駆動型ビジュアルオドメトリー(VO)は、自律エッジロボティクスにとって重要なサブルーチンである。
昆虫スケールドローンや外科ロボットのような最先端ロボットデバイスは、VOの予測の不確実性を推定する計算的に効率的な枠組みを欠いている。
本稿では,共形推論(CI)を利用してVOの不確実な帯域を抽出する,新しい,軽量で統計的に堅牢なフレームワークを提案する。
論文 参考訳（メタデータ） (2023-03-03T20:37:55Z) - Uncertainty-Aware AB3DMOT by Variational 3D Object Detection [74.8441634948334]
不確実性推定は統計的に正確な予測を提供する効果的なツールである。
本稿では,変分ニューラルネットワークを用いたTANet 3Dオブジェクト検出器を提案し,不確実性のある3Dオブジェクト検出を行う。
論文 参考訳（メタデータ） (2023-02-12T14:30:03Z) - Variational Voxel Pseudo Image Tracking [127.46919555100543]
不確実性推定は、ロボット工学や自律運転といった重要な問題にとって重要なタスクである。
本稿では,3次元物体追跡のためのVoxel Pseudo Image Tracking (VPIT) の変分ニューラルネットワークによるバージョンを提案する。
論文 参考訳（メタデータ） (2023-02-12T13:34:50Z)
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。