An Informative Path Planning Framework for Active Learning in UAV-based Semantic Mapping

要約

無人航空機 (UAV) は、航空マッピングや一般的な監視タスクに頻繁に使用されます。
深層学習の最近の進歩により、画像の自動セマンティック セグメンテーションが可能になり、大規模で複雑な環境の解釈が容易になりました。
セグメンテーションに一般的に使用される教師あり深層学習は、ピクセルごとにラベル付けされた大量のデータに依存するため、アノテーションを付けるのに時間がかかり、コストがかかります。
航空環境のドメイン固有の視覚的外観により、公開されているデータセットで事前トレーニングされたモデルの使用が妨げられることがよくあります。
これに対処するために、UAV がモデルの再トレーニング用に有益なトレーニング画像を自律的に取得するための新しい一般的な計画フレームワークを提案します。
複数の取得関数を活用し、それらを確率的地形マップに融合します。
私たちのフレームワークは、マッピングされた捕捉機能情報を UAV の計画目標に結合します。
このようにして、UAV はモデルの再トレーニングのために手動でラベル付けされる有益な航空画像を適応的に取得します。
実世界のデータとフォトリアリスティックなシミュレーションにおける実験結果は、私たちのフレームワークがモデルのパフォーマンスを最大化し、ラベル付けの労力を大幅に削減することを示しています。
当社の地図ベースのプランナーは、最先端の現地計画よりも優れたパフォーマンスを発揮します。

要約(オリジナル)

Unmanned aerial vehicles (UAVs) are frequently used for aerial mapping and general monitoring tasks. Recent progress in deep learning enabled automated semantic segmentation of imagery to facilitate the interpretation of large-scale complex environments. Commonly used supervised deep learning for segmentation relies on large amounts of pixel-wise labelled data, which is tedious and costly to annotate. The domain-specific visual appearance of aerial environments often prevents the usage of models pre-trained on publicly available datasets. To address this, we propose a novel general planning framework for UAVs to autonomously acquire informative training images for model re-training. We leverage multiple acquisition functions and fuse them into probabilistic terrain maps. Our framework combines the mapped acquisition function information into the UAV’s planning objectives. In this way, the UAV adaptively acquires informative aerial images to be manually labelled for model re-training. Experimental results on real-world data and in a photorealistic simulation show that our framework maximises model performance and drastically reduces labelling efforts. Our map-based planners outperform state-of-the-art local planning.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google