論文の概要: ARIDA - Active railway infrastructure dataset annotation using neural network predictions

• arxiv url: http://arxiv.org/abs/2611.05646v1
• Date: Tue, 03 Nov 2026 21:31:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 03:25:57.854015
• Title: ARIDA - Active railway infrastructure dataset annotation using neural network predictions
• Title（参考訳）: ARIDA - ニューラルネットワーク予測を用いたアクティブ鉄道インフラデータセットアノテーション
• Abstract要約: 本稿では,Active Railway Infrastructureのデータセットフレームワークについて述べる。 鉄道固有の半自動パイプラインで、インスタンス予測をバウンディングボックス、ポリゴン、ポリライン、ペアポリラインに変換する。 不規則で多様な画像と時系列の実験は、画像の労力の削減と精度のトレードオフを定量化する。
• 参考スコア（独自算出の注目度）: 41.13158142120739
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Modern railway perception requires large comprehensive image datasets, but creating them is slowed by manual labeling, especially for track polylines and other complex infrastructure geometry. This paper presents the Active Railway Infrastructure Dataset Annotation framework, a railway-specific semi-automated pipeline that converts instance predictions from a mask scoring instance segmentation network into bounding-boxes, polygons, polylines, and paired polylines. To keep automatic track geometry annotation reliable without ground truth, it applies confidence thresholds and an unique contour-agreement quality score as an acceptance gate. An active learning loop ranks remaining images by uncertainty and adapts the number of manual queries per cycle. This is achieved through a novel quantity control mechanism, in which easy images are auto-accepted and human effort targets hard cases. Experiments on disjoint, diverse imagery and time-sequential, redundant imagery quantify effort reduction and accuracy trade-offs, achieving about two thirds reduction in the disjoint regime and up to 93% in the sequential regime. The study also provides guidance for initial label budgets and stopping to avoid over-annotation.
• Abstract（参考訳）: 現代の鉄道に対する認識には、大規模な総合的なイメージデータセットが必要であるが、特にポリラインやその他の複雑なインフラストラクチャーの幾何学において、手動ラベリングによってそれらを作成するのが遅くなる。 本稿では,鉄道固有の半自動パイプラインであるActive Railway Infrastructure Dataset Annotationフレームワークを,マスクスコアリングインスタンスセグメンテーションネットワークからバウンディングボックス,ポリゴン,ポリライン,ペアポリラインへのインスタンス予測に変換する。 地上の真実を示さずに自動軌跡アノテーションの信頼性を維持するために、信頼しきい値と一意な輪郭収差品質スコアを受容ゲートとして適用する。 アクティブな学習ループは、残像を不確実性でランク付けし、サイクル毎の手動クエリ数を調整する。 これは、簡単な画像が自動受け入れされ、人間の努力がハードケースをターゲットにする、新しい量制御機構によって達成される。 解離、多彩な画像、冗長な画像の実験は、努力の削減と精度のトレードオフを定量化し、解離状態の約3分の2の削減と、逐次状態の最大93%を達成する。 この研究は、初期ラベル予算のガイダンスも提供し、過剰アノテーションを避けるために停止する。

関連論文リスト

• Rail Track Extraction from Rasterized Classified Point Clouds Using a Full-Resolution, Fully Convolutional Recurrent Neural Network [46.84613650829397]
  鉄道資産の効率的な管理と維持には、線路の抽出が不可欠である。 本稿では,分類された3次元点群から線路を抽出する新しい手法を提案する。 完全畳み込みリカレントニューラルネットワークは、合成されたデータにのみ訓練される。
  論文  参考訳（メタデータ） (2026-07-07T21:51:46Z)
• Registration-Free Learnable Multi-View Capture of Faces in Dense Semantic Correspondence [30.38509036690193]
  MOCHIは、登録したトレーニングデータを必要とせずにトレーニングされた多視点3D顔予測フレームワークである。 標準点間距離は、登録不要設定でトレーニングの不安定性と視覚的アーティファクトを誘導する。 代わりに、よりスムーズな勾配とより優れた再構成忠実度を提供する点マップと正規化に基づく損失を提案する。
  論文  参考訳（メタデータ） (2026-05-02T13:59:29Z)
• Adaptive Point-Prompt Tuning: Fine-Tuning Heterogeneous Foundation Models for 3D Point Cloud Analysis [51.37795317716487]
  本稿では,パラメータの少ない事前学習モデルを微調整するAdaptive Point-Prompt Tuning (APPT)法を提案する。 局所幾何学を集約することで原点雲を点埋め込みに変換し、空間的特徴を捉える。 任意のモダリティのソース領域から3Dへの自己アテンションを校正するために,重みを点埋め込みモジュールと共有するプロンプトジェネレータを導入する。
  論文  参考訳（メタデータ） (2025-08-30T06:02:21Z)
• Weakly Supervised LiDAR Semantic Segmentation via Scatter Image Annotation [38.715754110667916]
  画像アノテーションを用いたLiDARセマンティックセマンティックセマンティックセマンティクスを実装した。 また、パフォーマンスギャップを減らすための3つの重要な戦略を含むネットワークであるScatterNetを提案する。 本手法は,完全教師付き手法の95%以上の性能を達成するために,ラベル付き点の0.02%未満を必要とする。
  論文  参考訳（メタデータ） (2024-04-19T13:01:30Z)
• LiDAR-based curb detection for ground truth annotation in automated driving validation [2.954315548942922]
  本稿では,LiDARセンサから取得した点雲列中の3次元ストレッチを検出する手法を提案する。 シーケンスレベル処理ステップは、車両のオドメトリーを用いて、再構成された点雲内の3D縁石を推定する。 これらの検出は、ラベリングパイプラインの事前アノテーションとして使用して、ストレッチ関連地上真実データを効率的に生成することができる。
  論文  参考訳（メタデータ） (2023-12-01T12:15:09Z)
• Image Understands Point Cloud: Weakly Supervised 3D Semantic Segmentation via Association Learning [59.64695628433855]
  ラベルのない画像から補完的な情報を取り入れた3次元セグメンテーションのための新しいクロスモダリティ弱教師付き手法を提案する。 基本的に、ラベルの小さな部分のパワーを最大化するために、アクティブなラベリング戦略を備えたデュアルブランチネットワークを設計する。 提案手法は,1%未満のアクティブなアノテーションで,最先端の完全教師付き競合よりも優れていた。
  論文  参考訳（メタデータ） (2022-09-16T07:59:04Z)
• SOLD2: Self-supervised Occlusion-aware Line Description and Detection [95.8719432775724]
  単一深層ネットワークにおける回線セグメントの最初の共同検出と記述について紹介します。 我々の手法は注釈付き行ラベルを必要としないため、任意のデータセットに一般化することができる。 複数のマルチビューデータセットにおいて,従来の行検出と記述方法に対するアプローチを評価した。
  論文  参考訳（メタデータ） (2021-04-07T19:27:17Z)
• Unsupervised Metric Relocalization Using Transform Consistency Loss [66.19479868638925]
  メートル法再ローカライズを行うためのトレーニングネットワークは、従来、正確な画像対応が必要である。 地図内のクエリ画像のローカライズは、登録に使用される参照画像に関係なく、同じ絶対的なポーズを与えるべきである。 提案手法は, 限られた地下構造情報が得られる場合に, 他の教師あり手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-11-01T19:24:27Z)

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。