HAL3D: Hierarchical Active Learning for Fine-Grained 3D Part Labeling

要約

細粒度の 3D パーツ ラベル付け用の最初のアクティブ ラーニング ツールを紹介します。この問題は、小さくて複雑なパーツ間の構造上の大きな違いにより、最も高度なディープ ラーニング (DL) メソッドでさえ困難になります。
同じ理由で、必要なデータ アノテーションの努力は膨大であり、人間の関与を最小限に抑えるためのアプローチを動機付けます。
当社のラベリング ツールは、ディープ ニューラル ネットワークによって予測されたパーツ ラベルを繰り返し検証または変更し、人間のフィードバックによってネットワーク予測が継続的に改善されます。
人間の労力を効果的に削減するために、ツールに 2 つの新しい機能、階層的で対称性を意識したアクティブなラベル付けを開発しました。
HAL3D と名付けられたヒューマン イン ザ ループ アプローチは、事前に定義された階層パーツ ラベルを使用して、あらゆるテスト セットで 100% の精度 (ヒューマン エラーを除く) を達成し、手作業よりも 80% の時間を節約します。

要約(オリジナル)

We present the first active learning tool for fine-grained 3D part labeling, a problem which challenges even the most advanced deep learning (DL) methods due to the significant structural variations among the small and intricate parts. For the same reason, the necessary data annotation effort is tremendous, motivating approaches to minimize human involvement. Our labeling tool iteratively verifies or modifies part labels predicted by a deep neural network, with human feedback continually improving the network prediction. To effectively reduce human efforts, we develop two novel features in our tool, hierarchical and symmetry-aware active labeling. Our human-in-the-loop approach, coined HAL3D, achieves 100% accuracy (barring human errors) on any test set with pre-defined hierarchical part labels, with 80% time-saving over manual effort.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google