MILAN: Milli-Annotations for Lidar Semantic Segmentation

要約

自動運転用の LIDAR 点群にアノテーションを付けることは、費用と時間がかかることで有名です。
この研究では、最近の自己教師付き LIDAR スキャン表現の品質により、アノテーション コストの大幅な削減が可能になることを示します。
私たちの方法には 2 つの主要なステップがあります。
まず、自己教師あり表現により、注釈を付けるための情報量の多い LIDAR スキャンを簡単かつ直接選択できることを示します。これらの選択されたスキャンでネットワークをトレーニングすると、スキャンをランダムに選択するよりもはるかに優れた結果が得られ、さらに興味深いことに、同等の結果が得られます。
SOTA アクティブ ラーニング手法によって選択されたものです。
2 番目のステップでは、同じ自己教師あり表現を利用して、選択したスキャン内のポイントをクラスター化します。
クラスターごとに 1 回のクリックで各クラスターを分類するようにアノテーターに依頼すると、ポイント ラベルの 1,000 分の 1 だけを必要としながら、完全にアノテーションが付けられたトレーニング セットとのギャップを埋めることができます。

要約(オリジナル)

Annotating lidar point clouds for autonomous driving is a notoriously expensive and time-consuming task. In this work, we show that the quality of recent self-supervised lidar scan representations allows a great reduction of the annotation cost. Our method has two main steps. First, we show that self-supervised representations allow a simple and direct selection of highly informative lidar scans to annotate: training a network on these selected scans leads to much better results than a random selection of scans and, more interestingly, to results on par with selections made by SOTA active learning methods. In a second step, we leverage the same self-supervised representations to cluster points in our selected scans. Asking the annotator to classify each cluster, with a single click per cluster, then permits us to close the gap with fully-annotated training sets, while only requiring one thousandth of the point labels.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google