HeAL3D: Heuristical-enhanced Active Learning for 3D Object Detection

要約

アクティブ学習は、自律運転のトレーニングモデルのためにサンプル選択を実行するための関連するアプローチであることが証明されています。
特に、3Dオブジェクト検出のためのアクティブ学習に関する以前の研究では、制御されていないシナリオでのサンプルの選択が困難であることが示されています。
さらに、現在のアプローチは、サンプル選択問題の理論的側面にのみ焦点を当てていますが、3D検出モデルの広範な文献と適用から得られる実用的な洞察を無視しています。
このホワイトペーパーでは、これらのヒューリスティックな特徴をローカリゼーションと分類と統合して、モデルのトレーニングに最も寄与するサンプルを提供するヒール（3Dオブジェクト検出のためのヒューリスティック強化アクティブ学習）を紹介します。
以前の作品とは対照的に、私たちのアプローチは、オブジェクトの距離やポイント量などのヒューリスティックな特徴を統合して不確実性を推定し、選択したサンプルの有用性を検出モデルを訓練するために強化します。
Kittiに関する私たちの定量的評価は、Healが最先端のマップに関して競争力のあるマップを提示し、サンプルの24％しか持たないフルスーパービズ化ベースライン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)

Active Learning has proved to be a relevant approach to perform sample selection for training models for Autonomous Driving. Particularly, previous works on active learning for 3D object detection have shown that selection of samples in uncontrolled scenarios is challenging. Furthermore, current approaches focus exclusively on the theoretical aspects of the sample selection problem but neglect the practical insights that can be obtained from the extensive literature and application of 3D detection models. In this paper, we introduce HeAL (Heuristical-enhanced Active Learning for 3D Object Detection) which integrates those heuristical features together with Localization and Classification to deliver the most contributing samples to the model’s training. In contrast to previous works, our approach integrates heuristical features such as object distance and point-quantity to estimate the uncertainty, which enhance the usefulness of selected samples to train detection models. Our quantitative evaluation on KITTI shows that HeAL presents competitive mAP with respect to the State-of-the-Art, and achieves the same mAP as the full-supervised baseline with only 24% of the samples.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google