論文の概要: Label-Efficient Point Cloud Semantic Segmentation: An Active Learning Approach

• arxiv url: http://arxiv.org/abs/2101.06931v1
• Date: Mon, 18 Jan 2021 08:37:21 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-27 05:56:46.612967
• Title: Label-Efficient Point Cloud Semantic Segmentation: An Active Learning Approach
• Title（参考訳）: Label-Efficient Point Cloud Semantic Segmentation: アクティブラーニングアプローチ
• Authors: Xian Shi, Xun Xu, Ke Chen, Lile Cai, Chuan Sheng Foo, Kui Jia
• Abstract要約: 公平なベンチマークを可能にするため,より現実的なアノテーションカウント方式を提案する。 ラベル付け予算をより活用するために、スーパーポイントベースのアクティブラーニング戦略を採用する。 2つのベンチマークデータセットの実験は、提案されたアクティブラーニング戦略の有効性を示しています。
• 参考スコア（独自算出の注目度）: 35.23982484919796
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Semantic segmentation of 3D point clouds relies on training deep models with a large amount of labeled data. However, labeling 3D point clouds is expensive, thus smart approach towards data annotation, a.k.a. active learning is essential to label-efficient point cloud segmentation. In this work, we first propose a more realistic annotation counting scheme so that a fair benchmark is possible. To better exploit labeling budget, we adopt a super-point based active learning strategy where we make use of manifold defined on the point cloud geometry. We further propose active learning strategy to encourage shape level diversity and local spatial consistency constraint. Experiments on two benchmark datasets demonstrate the efficacy of our proposed active learning strategy for label-efficient semantic segmentation of point clouds. Notably, we achieve significant improvement at all levels of annotation budgets and outperform the state-of-the-art methods under the same level of annotation cost.
• Abstract（参考訳）: 3Dポイントクラウドのセマンティックセグメンテーションは、大量のラベル付きデータによる深層モデルのトレーニングに依存している。 しかし、3Dポイントクラウドのラベル付けは高価であり、データアノテーションに対する賢いアプローチである。 ラベル効率のよいクラウドセグメンテーションには,アクティブな学習が不可欠だ。 そこで本研究では,より現実的なアノテーションカウントスキームを提案する。 ラベル付け予算をよりうまく活用するために,我々は,点クラウド幾何上で定義された多様体を利用するスーパーポイントベースのアクティブラーニング戦略を採用する。 さらに,形状レベルの多様性と局所的空間的一貫性制約を促進するためのアクティブラーニング戦略を提案する。 2つのベンチマークデータセットにおける実験により,提案手法がポイントクラウドのラベル効率の高い意味セグメンテーションに有効であることを示す。 特に、あらゆるレベルのアノテーション予算において大幅な改善を実現し、同じレベルのアノテーションコストで最先端のメソッドよりも優れています。

関連論文リスト

• Hierarchical Point-based Active Learning for Semi-supervised Point Cloud Semantic Segmentation [48.40853126077237]
  大規模ポイントクラウドデータをポイントワイドラベルで取得することは、労働集約的だ。 アクティブラーニングは、この目的を達成するための効果的な戦略の1つだが、まだ探索されていない。 本稿では,階層的なポイントベースアクティブラーニング戦略を開発する。
  論文  参考訳（メタデータ） (2023-08-22T03:52:05Z)
• A Survey of Label-Efficient Deep Learning for 3D Point Clouds [109.07889215814589]
  本稿では,点雲のラベル効率学習に関する包括的調査を行う。 本稿では,ラベルの種類によって提供されるデータ前提条件に基づいて,ラベル効率のよい学習手法を整理する分類法を提案する。 それぞれのアプローチについて、問題設定の概要と、関連する進展と課題を示す広範な文献レビューを提供する。
  論文  参考訳（メタデータ） (2023-05-31T12:54:51Z)
• LESS: Label-Efficient Semantic Segmentation for LiDAR Point Clouds [62.49198183539889]
  我々は,LiDAR点雲を用いた屋外シーンのためのラベル効率のよいセマンティックセマンティックセマンティクスパイプラインを提案する。 本手法は,半弱教師付き学習を用いて,効率的なラベリング手法を設計する。 提案手法は,100%ラベル付き完全教師付き手法と比較して,さらに競争力が高い。
  論文  参考訳（メタデータ） (2022-10-14T19:13:36Z)
• Dual Adaptive Transformations for Weakly Supervised Point Cloud Segmentation [78.6612285236938]
  弱制御点雲分割のための新しいDATモデル(textbfDual textbfAdaptive textbfTransformations)を提案する。 我々は,大規模S3DISデータセットとScanNet-V2データセットの2つの人気バックボーンを用いたDATモデルの評価を行った。
  論文  参考訳（メタデータ） (2022-07-19T05:43:14Z)
• Active Learning for Point Cloud Semantic Segmentation via Spatial-Structural Diversity Reasoning [38.756609521163604]
  本稿では,この問題に対処するための新しい能動的学習手法を提案する。 SSDR-ALと呼ばれる本手法では,従来の点群をスーパーポイントに分類し,ラベル取得において最も情報に富む代表的点を選択する。 より実践的なシナリオでSSDR-ALをデプロイするために、ノイズを意識した反復ラベル方式を設計し、"ノイズの多いアノテーション"問題に対処する。
  論文  参考訳（メタデータ） (2022-02-25T10:06:47Z)
• Box2Seg: Learning Semantics of 3D Point Clouds with Box-Level Supervision [65.19589997822155]
  我々は3Dポイントクラウドのポイントレベルのセマンティクスをバウンディングボックスレベルの監視で学習するために,Box2Segと呼ばれるニューラルアーキテクチャを導入する。 提案するネットワークは,安価な,あるいは既定のバウンディングボックスレベルのアノテーションやサブクラウドレベルのタグでトレーニング可能であることを示す。
  論文  参考訳（メタデータ） (2022-01-09T09:07:48Z)
• Weakly Supervised Semantic Point Cloud Segmentation:Towards 10X Fewer Labels [77.65554439859967]
  トレーニング段階でラベル付けされるポイントのごく一部しか必要としない,弱教師付きポイントクラウドセグメンテーション手法を提案する。 実験は3つの公開データセットで行われ、監督の度合いが異なる。
  論文  参考訳（メタデータ） (2020-04-08T16:14:41Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。