You Never Get a Second Chance To Make a Good First Impression: Seeding Active Learning for 3D Semantic Segmentation

要約

私たちは、セマンティック セグメンテーションのための 3D 点群の効率的なアノテーションのためのアクティブ ラーニングをシードする方法である SeedAL を提案します。
アクティブ ラーニング (AL) は、指定された予算内でアノテーションを付ける関連するデータ部分を繰り返し選択しますが、他のデータ部分にアノテーションを付ける利点を推定するには、データセットの最初の部分 (「シード」) にすでにアノテーションが付けられている必要があります。
まず、シードの選択が多くの AL メソッドのパフォーマンスに大きく影響する可能性があることを示します。
次に、AL の良好なパフォーマンスを保証するシードを自動的に構築する方法を提案します。
点群の画像が利用可能であると仮定すると (これは一般的ですが)、私たちの方法は強力な教師なし画像の特徴に依存して点群の多様性を測定します。
アノテーション バジェットに基づいて多様性を最適化することでシードの点群を選択します。これは線形最適化問題を解くことで実行できます。
私たちの実験は、S3DIS データセットと SemanticKitti データセットの両方で、ランダム シーディングや既存の方法と比較して、私たちのアプローチの有効性を示しています。
コードは https://github.com/nerminsamet/seedal で入手できます。

要約(オリジナル)

We propose SeedAL, a method to seed active learning for efficient annotation of 3D point clouds for semantic segmentation. Active Learning (AL) iteratively selects relevant data fractions to annotate within a given budget, but requires a first fraction of the dataset (a ‘seed’) to be already annotated to estimate the benefit of annotating other data fractions. We first show that the choice of the seed can significantly affect the performance of many AL methods. We then propose a method for automatically constructing a seed that will ensure good performance for AL. Assuming that images of the point clouds are available, which is common, our method relies on powerful unsupervised image features to measure the diversity of the point clouds. It selects the point clouds for the seed by optimizing the diversity under an annotation budget, which can be done by solving a linear optimization problem. Our experiments demonstrate the effectiveness of our approach compared to random seeding and existing methods on both the S3DIS and SemanticKitti datasets. Code is available at https://github.com/nerminsamet/seedal.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google