Inconsistency-based Active Learning for LiDAR Object Detection

要約

自律運転におけるオブジェクト検出のためのディープラーニングモデルは、最近、印象的なパフォーマンスの向上を達成しており、すでに世界中の車両に展開されています。
ただし、現在のモデルでは、トレーニングのためにますます大きなデータセットが必要です。
このようなデータの取得とラベル付けには費用がかかるため、このプロセスを最適化するための新しい戦略の開発が必要です。
アクティブ学習は、画像ドメインで広範囲に研究されている有望なアプローチです。
私たちの仕事では、いくつかの矛盾に基づくサンプル選択戦略を開発し、さまざまな設定での有効性を評価することにより、この概念をLidarドメインに拡張します。
我々の結果は、検出されたボックスの数に基づいて素朴な矛盾アプローチを使用して、ラベル付きデータの50％でランダムサンプリング戦略と同じマップを達成することを示しています。

要約(オリジナル)

Deep learning models for object detection in autonomous driving have recently achieved impressive performance gains and are already being deployed in vehicles worldwide. However, current models require increasingly large datasets for training. Acquiring and labeling such data is costly, necessitating the development of new strategies to optimize this process. Active learning is a promising approach that has been extensively researched in the image domain. In our work, we extend this concept to the LiDAR domain by developing several inconsistency-based sample selection strategies and evaluate their effectiveness in various settings. Our results show that using a naive inconsistency approach based on the number of detected boxes, we achieve the same mAP as the random sampling strategy with 50% of the labeled data.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google