不完全ラベル下でのLiDARセマンティックセグメンテーションにおける単一ドメイン汎化の探求
Exploring Single Domain Generalization of LiDAR-based Semantic Segmentation under Imperfect Labels
LiDAR点群のノイズラベル下でのドメイン汎化タスクを新たに定義し、ベンチマークを構築するとともに、強弱2分岐のDuNeフレームワークを提案して最先端性能を達成した。
詳しい要約
1. どんなもの？
2. 先行研究と比べてどこがすごい？
3. 技術・手法の肝は？
4. どうやって有効だと検証した？
5. 議論はある？
6. 次に読むべき論文は？
※ AIが要旨から生成した要約です。正確性は原文をご確認ください。
著者: Weitong Kong, Zichao Zeng, Di Wen, Jiale Wei, Kunyu Peng, June Moh Goo, Jan Boehm, Rainer Stiefelhagen
分類: cs.CV, cs.LG, cs.RO
原文アブストラクト
Accurate perception is critical for vehicle safety, with LiDAR as a key enabler in autonomous driving. To ensure robust performance across environments, sensor types, and weather conditions without costly re-annotation, domain generalization in LiDAR-based 3D semantic segmentation is essential. However, LiDAR annotations are often noisy due to sensor imperfections, occlusions, and human errors. Such noise degrades segmentation accuracy and is further amplified under domain shifts, threatening system reliability. While noisy-label learning is well-studied in images, its extension to 3D LiDAR segmentation under domain generalization remains largely unexplored, as the sparse and irregular structure of point clouds limits direct use of 2D methods. To address this gap, we introduce the novel task Domain Generalization for LiDAR Semantic Segmentation under Noisy Labels (DGLSS-NL) and establish the first benchmark by adapting three representative noisy-label learning strategies from image classification to 3D segmentation. However, we find that existing noisy-label learning approaches adapt poorly to LiDAR data. We therefore propose DuNe, a dual-view framework with strong and weak branches that enforce feature-level consistency and apply cross-entropy loss based on confidence-aware filtering of predictions. Our approach shows state-of-the-art performance by achieving 56.86% mIoU on SemanticKITTI, 42.28% on nuScenes, and 52.58% on SemanticPOSS under 10% symmetric label noise, with an overall Arithmetic Mean (AM) of 49.57% and Harmonic Mean (HM) of 48.50%, thereby demonstrating robust domain generalization in DGLSS-NL tasks. The code is available on our project page.
関連論文
- HiPFuse: エッジデバイス上のロボット知覚向けリアルタイムLiDARセマンティックセグメンテーションLiDARセグメンテーション
- レイ整合・スキャン認識型融合ネットワークによるLiDARセマンティックセグメンテーションLiDARセグメンテーション
- BikeScenes: 自転車向けオンラインLiDARセマンティックセグメンテーションLiDARセグメンテーション
- 点-平面投影による小規模データでの高精度LiDARセマンティックセグメンテーションLiDARセグメンテーション
- 不確実性を考慮した学習によるオープンセットLiDARパノプティックセグメンテーションLiDARセグメンテーション
- 悪天候下での汎化レンジビューLiDARセグメンテーションに向けてLiDARセグメンテーション
