論文の概要: Just Label What You Need: Fine-Grained Active Selection for Perception
and Prediction through Partially Labeled Scenes
- arxiv url: http://arxiv.org/abs/2104.03956v1
- Date: Thu, 8 Apr 2021 17:57:41 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-09 13:20:18.181787
- Title: Just Label What You Need: Fine-Grained Active Selection for Perception
and Prediction through Partially Labeled Scenes
- Title（参考訳）: 必要なものをラベル付けする:部分ラベル付きシーンによる知覚と予測のためのファイングラインドアクティブセレクション
- Authors: Sean Segal, Nishanth Kumar, Sergio Casas, Wenyuan Zeng, Mengye Ren,
Jingkang Wang, Raquel Urtasun
- Abstract要約: 提案手法は,コストに配慮した手法と,部分的にラベル付けされたシーンを通じて詳細なサンプル選択を可能にする一般化を導入している。
実世界の大規模自動運転データセットに関する我々の実験は、微粒な選択が知覚、予測、下流計画タスクのパフォーマンスを向上させることを示唆している。
- 参考スコア（独自算出の注目度）: 78.23907801786827
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Self-driving vehicles must perceive and predict the future positions of
nearby actors in order to avoid collisions and drive safely. A learned deep
learning module is often responsible for this task, requiring large-scale,
high-quality training datasets. As data collection is often significantly
cheaper than labeling in this domain, the decision of which subset of examples
to label can have a profound impact on model performance. Active learning
techniques, which leverage the state of the current model to iteratively select
examples for labeling, offer a promising solution to this problem. However,
despite the appeal of this approach, there has been little scientific analysis
of active learning approaches for the perception and prediction (P&P) problem.
In this work, we study active learning techniques for P&P and find that the
traditional active learning formulation is ill-suited for the P&P setting. We
thus introduce generalizations that ensure that our approach is both cost-aware
and allows for fine-grained selection of examples through partially labeled
scenes. Our experiments on a real-world, large-scale self-driving dataset
suggest that fine-grained selection can improve the performance across
perception, prediction, and downstream planning tasks.
- Abstract（参考訳）: 自動運転車は衝突を避け、安全に運転するために、近くのアクターの将来の位置を認識し予測する必要がある。
学習したディープラーニングモジュールは、しばしばこのタスクに責任を持ち、大規模で高品質なトレーニングデータセットを必要とする。
データ収集は、このドメインのラベル付けよりもはるかに安価であることが多いため、ラベル付けするサンプルのサブセットの決定は、モデルのパフォーマンスに大きな影響を与える可能性がある。
現在のモデルの状態を利用してラベル付けの例を反復的に選択するアクティブラーニング技術は、この問題に対する有望な解決策を提供する。
しかし、このアプローチの魅力にもかかわらず、知覚と予測(P&P)問題に対するアクティブラーニングアプローチの科学的分析はほとんど行われていない。
本研究では,P&Pのアクティブラーニング手法について検討し,従来のアクティブラーニングの定式化がP&P設定に不適であることを確かめる。
そこで我々は,我々のアプローチがコストに配慮したものであることを保証する一般化を導入し,部分的にラベル付けされたシーンを通して,サンプルのきめ細かい選択を可能にする。
実世界の大規模自動運転データセットに関する我々の実験は、微粒な選択が知覚、予測、下流計画タスクのパフォーマンスを向上させることを示唆している。
関連論文リスト
- ActiveAD: Planning-Oriented Active Learning for End-to-End Autonomous
Driving [96.92499034935466]
自動運転のためのエンドツーエンドの差別化学習は、最近顕著なパラダイムになっている。
第一のボトルネックは、高品質なラベル付きデータに対する大胆な欲求にある。
収集した生データの一部を段階的に注釈付けする計画指向のアクティブラーニング手法を提案する。
論文 参考訳（メタデータ） (2024-03-05T11:39:07Z) - Virtual Category Learning: A Semi-Supervised Learning Method for Dense
Prediction with Extremely Limited Labels [63.16824565919966]
本稿では,ラベルの修正を伴わずに,混乱したサンプルを積極的に使用することを提案する。
仮想カテゴリー(VC)は、モデルの最適化に安全に貢献できるように、各混乱したサンプルに割り当てられる。
私たちの興味深い発見は、密集した視覚タスクにおけるVC学習の利用に注目しています。
論文 参考訳（メタデータ） (2023-12-02T16:23:52Z) - ASPEST: Bridging the Gap Between Active Learning and Selective
Prediction [56.001808843574395]
選択予測は、不確実な場合の予測を棄却する信頼性のあるモデルを学ぶことを目的としている。
アクティブラーニングは、最も有意義な例を問うことで、ラベリングの全体、すなわち人間の依存度を下げることを目的としている。
本研究では,移動対象領域からより情報のあるサンプルを検索することを目的とした,新たな学習パラダイムである能動的選択予測を導入する。
論文 参考訳（メタデータ） (2023-04-07T23:51:07Z) - Knowledge-driven Active Learning [70.37119719069499]
アクティブな学習戦略は、ディープラーニングモデルをトレーニングするために必要なラベル付きデータの量を最小限にすることを目的としている。
ほとんどの積極的な戦略は不確実なサンプルの選択に基づいており、しばしば決定境界に近いサンプルに制限される。
本稿では、一般的なドメイン知識を考慮し、エキスパートでないユーザがより少ないサンプルでモデルを訓練できるようにする。
論文 参考訳（メタデータ） (2021-10-15T06:11:53Z) - Diverse Complexity Measures for Dataset Curation in Self-driving [80.55417232642124]
トラフィックシーンの面白さを定量化する多様な基準を活用した新たなデータ選択手法を提案する。
実験の結果,提案するキュレーションパイプラインは,より汎用的で高いパフォーマンスをもたらすデータセットを選択できることが判明した。
論文 参考訳（メタデータ） (2021-01-16T23:45:02Z) - Ask-n-Learn: Active Learning via Reliable Gradient Representations for
Image Classification [29.43017692274488]
深い予測モデルは、ラベル付きトレーニングデータという形で人間の監督に依存する。
Ask-n-Learnは,各アルゴリズムで推定されたペスドラベルを用いて得られる勾配埋め込みに基づく能動的学習手法である。
論文 参考訳（メタデータ） (2020-09-30T05:19:56Z) - Fair Meta-Learning For Few-Shot Classification [7.672769260569742]
バイアスデータに基づいてトレーニングされた機械学習アルゴリズムは、不公平な予測を行う傾向がある。
本稿では,メタトレイン中のバイアスを効果的に軽減する,高速適応型数ショットメタラーニング手法を提案する。
提案手法は,モデル出力のバイアスを効果的に軽減し,不明瞭なタスクに対して精度と公平性の両方を一般化することを実証的に実証する。
論文 参考訳（メタデータ） (2020-09-23T22:33:47Z) - Toward Optimal Probabilistic Active Learning Using a Bayesian Approach [4.380488084997317]
アクティブラーニングは、コストの高いラベリングリソースを効率よく効果的に割り当てることで、ラベリングコストを削減することを目的としている。
提案したモデルにおける既存の選択戦略を再構築することにより、どの側面が現在の最先端に包含されていないかを説明することができる。
論文 参考訳（メタデータ） (2020-06-02T15:59:42Z)
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。