Comparative study of subset selection methods for rapid prototyping of 3D object detection algorithms

要約

3D での物体検出は、自動運転車やドローンの文脈において重要な側面です。
ただし、検出アルゴリズムのプロトタイピングには時間がかかり、エネルギーと環境への影響の点でコストがかかります。
これらの課題に対処するには、元のトレーニング セットのサブセットでトレーニングすることで、さまざまなモデルの有効性をチェックできます。
この論文では、そのようなサブセットを選択するための 3 つのアルゴリズム、つまりランダム サンプリング、クラスごとのランダム サンプリング、および私たちが提案する MONSPeC (クラスごとの最大オブジェクト数サンプリング) の比較を示します。
私たちは、クラスごとのランダム サンプリングと MONSPeC が基本的なランダム サンプリングよりも優れた有効性を示す経験的証拠を提供します。
ランダム サンプリングをより効率的なアルゴリズムの 1 つで置き換えることにより、サブセットで得られた結果がデータセット全体の結果に反映される可能性が高くなります。
コードは https://github.com/vision-agh/monspec から入手できます。

要約(オリジナル)

Object detection in 3D is a crucial aspect in the context of autonomous vehicles and drones. However, prototyping detection algorithms is time-consuming and costly in terms of energy and environmental impact. To address these challenges, one can check the effectiveness of different models by training on a subset of the original training set. In this paper, we present a comparison of three algorithms for selecting such a subset – random sampling, random per class sampling, and our proposed MONSPeC (Maximum Object Number Sampling per Class). We provide empirical evidence for the superior effectiveness of random per class sampling and MONSPeC over basic random sampling. By replacing random sampling with one of the more efficient algorithms, the results obtained on the subset are more likely to transfer to the results on the entire dataset. The code is available at: https://github.com/vision-agh/monspec.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google