You Never Get a Second Chance To Make a Good First Impression: Seeding Active Learning for 3D Semantic Segmentation

要約

タイトル：「最初の印象を良くするには二度目の機会はない：3Dセマンティックセグメンテーションのためのアクティブラーニングのシード化」

要約：
– 3D点群を対象としたセマンティックセグメンテーションのために、アクティブラーニングをシード化する方法である「SeedAL」を提案している。
– アクティブラーニングは、所与の予算内でアノテーションを行うために関連するデータフラクションを反復的に選択するが、他のデータフラクションをアノテートすることの利益を推定するためには、既にアノテーションされたデータセットの最初のフラクション（シード）が必要となる。
– シードの選択が多くのアクティブラーニング手法のパフォーマンスに重要な影響を与えることを示し、良好なアクティブラーニングのパフォーマンスを確保するために、シードを自動的に構築する方法を提案している。
– この方法は、点群の画像が入手可能であることを仮定し、強力な教師なし画像機能を活用して点群の多様性を測定し、アノテーション予算の下で多様性を最適化することでシードを選択する。
– 線形最適化問題を解決することで可能であり、S3DISおよびSemanticKittiデータセットに対するランダムシーディングおよび既存の手法に比べて、提案手法の効果を実証する実験結果を示している。

要約(オリジナル)

We propose SeedAL, a method to seed active learning for efficient annotation of 3D point clouds for semantic segmentation. Active Learning (AL) iteratively selects relevant data fractions to annotate within a given budget, but requires a first fraction of the dataset (a ‘seed’) to be already annotated to estimate the benefit of annotating other data fractions. We first show that the choice of the seed can significantly affect the performance of many AL methods. We then propose a method for automatically constructing a seed that will ensure good performance for AL. Assuming that images of the point clouds are available, which is common, our method relies on powerful unsupervised image features to measure the diversity of the point clouds. It selects the point clouds for the seed by optimizing the diversity under an annotation budget, which can be done by solving a linear optimization problem. Our experiments demonstrate the effectiveness of our approach compared to random seeding and existing methods on both the S3DIS and SemanticKitti datasets. Code is available at \url{https://github.com/nerminsamet/seedal}.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI