Semi-Supervised Active Learning for Semantic Segmentation in Unknown Environments Using Informative Path Planning

要約

セマンティック セグメンテーションにより、ロボットは幾何学を超えて環境を認識し、推論できるようになります。
このようなシステムのほとんどは、深層学習アプローチに基づいて構築されています。
自律型ロボットは通常、最初は未知の環境に配備されるため、静的データセットでの事前トレーニングでは常にさまざまな領域をキャプチャできるわけではなく、ミッション中のロボットの認識パフォーマンスが制限されます。
最近、ロボットの視力を向上させるために、自己教師ありおよび完全教師ありのアクティブ学習手法が登場しました。
これらのアプローチは、大規模なドメイン内事前トレーニング データセットに依存するか、人間による多大なラベル付け作業を必要とします。
完全教師ありアプローチと比較して人間によるラベル付け要件を大幅に軽減する、セマンティックセグメンテーションの半教師ありアクティブラーニングの計画方法を提案します。
私たちは適応型マップベースのプランナーを活用し、モデルの不確実性が高い未踏の宇宙のフロンティアに向けて誘導し、人間によるラベル付けのためのトレーニング データを収集します。
私たちのアプローチの重要な側面は、まばらな高品質の人間ラベルと、確実性の高い環境マップ領域から自動的に抽出された擬似ラベルを組み合わせるということです。
実験結果は、私たちの方法が、人間によるラベル付けの労力を大幅に削減しながら、完全教師ありアプローチに近いセグメンテーションパフォーマンスに達し、自己教師ありアプローチを上回るパフォーマンスを示していることを示しています。

要約(オリジナル)

Semantic segmentation enables robots to perceive and reason about their environments beyond geometry. Most of such systems build upon deep learning approaches. As autonomous robots are commonly deployed in initially unknown environments, pre-training on static datasets cannot always capture the variety of domains and limits the robot’s perception performance during missions. Recently, self-supervised and fully supervised active learning methods emerged to improve a robot’s vision. These approaches rely on large in-domain pre-training datasets or require substantial human labelling effort. We propose a planning method for semi-supervised active learning of semantic segmentation that substantially reduces human labelling requirements compared to fully supervised approaches. We leverage an adaptive map-based planner guided towards the frontiers of unexplored space with high model uncertainty collecting training data for human labelling. A key aspect of our approach is to combine the sparse high-quality human labels with pseudo labels automatically extracted from highly certain environment map areas. Experimental results show that our method reaches segmentation performance close to fully supervised approaches with drastically reduced human labelling effort while outperforming self-supervised approaches.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google