論文の概要: ReDAL: Region-based and Diversity-aware Active Learning for Point Cloud Semantic Segmentation

• arxiv url: http://arxiv.org/abs/2107.11769v1
• Date: Sun, 25 Jul 2021 09:40:48 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-27 16:19:15.068838
• Title: ReDAL: Region-based and Diversity-aware Active Learning for Point Cloud Semantic Segmentation
• Title（参考訳）: ReDAL: ポイントクラウドセマンティックセグメンテーションのための領域ベースおよび多様性を考慮したアクティブラーニング
• Authors: Tsung-Han Wu, Yueh-Cheng Liu, Yu-Kai Huang, Hsin-Ying Lee, Hung-Ting Su, Ping-Chia Huang, Winston H. Hsu
• Abstract要約: ReDALは、ラベル取得のために、情報的かつ多様なサブシーン領域のみを自動的に選択することを目的としている。 冗長アノテーションを避けるため,多様性を考慮した選択アルゴリズムも開発されている。 実験の結果,本手法は従来のアクティブラーニング手法よりも優れていることがわかった。
• 参考スコア（独自算出の注目度）: 28.478555264574865
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Despite the success of deep learning on supervised point cloud semantic segmentation, obtaining large-scale point-by-point manual annotations is still a significant challenge. To reduce the huge annotation burden, we propose a Region-based and Diversity-aware Active Learning (ReDAL), a general framework for many deep learning approaches, aiming to automatically select only informative and diverse sub-scene regions for label acquisition. Observing that only a small portion of annotated regions are sufficient for 3D scene understanding with deep learning, we use softmax entropy, color discontinuity, and structural complexity to measure the information of sub-scene regions. A diversity-aware selection algorithm is also developed to avoid redundant annotations resulting from selecting informative but similar regions in a querying batch. Extensive experiments show that our method highly outperforms previous active learning strategies, and we achieve the performance of 90% fully supervised learning, while less than 15% and 5% annotations are required on S3DIS and SemanticKITTI datasets, respectively.
• Abstract（参考訳）: 教師付きポイントクラウドセマンティクスセグメンテーションにおけるディープラーニングの成功にもかかわらず、大規模なポイントバイポイント手動アノテーションの取得は依然として大きな課題である。 そこで本研究では,多くの深層学習アプローチのための汎用フレームワークであるReDAL(Regional-based and Diversity-Aware Active Learning)を提案する。 注記領域のごく一部だけが深層学習による3次元シーン理解に十分であることを示すため, ソフトマックスエントロピー, 色の不連続性, 構造的複雑さを用いて, サブシーン領域の情報を測定する。 また,クエリバッチにおける情報的,類似の領域の選択による冗長アノテーションを回避するために,多様性を考慮した選択アルゴリズムを開発した。 また,s3disとsemantickittiデータセットには15%,5%のアノテーションがそれぞれ必要とされているが,90%の完全教師付き学習性能を達成することができた。

関連論文リスト

• Generalized Label-Efficient 3D Scene Parsing via Hierarchical Feature Aligned Pre-Training and Region-Aware Fine-tuning [55.517000360348725]
  本研究は,ラベル付きシーンが極めて限定された場合の3次元シーン理解のためのフレームワークを提案する。 事前学習された視覚言語モデルから新しいカテゴリーの知識を抽出するために,階層的特徴整合型事前学習と知識蒸留戦略を提案する。 室内と屋外の両方で実験を行ったところ、データ効率のよい学習とオープンワールドの複数ショット学習の両方において、我々のアプローチの有効性が示された。
  論文  参考訳（メタデータ） (2023-12-01T15:47:04Z)
• 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)
• CPCM: Contextual Point Cloud Modeling for Weakly-supervised Point Cloud Semantic Segmentation [60.0893353960514]
  疎アノテーションを用いた弱教師付きポイントクラウドセマンティックセマンティックセグメンテーションの課題について検討する。 本研究では,地域マスキング(RegionMask)戦略とコンテキストマスキングトレーニング(CMT)手法の2つの部分からなるコンテキストポイントクラウドモデリング(CPCM)手法を提案する。
  論文  参考訳（メタデータ） (2023-07-19T04:41:18Z)
• Semantic Segmentation with Active Semi-Supervised Learning [23.79742108127707]
  本稿では,能動的学習と半教師付き学習を組み合わせた新しいアルゴリズムを提案する。 本手法は,ネットワークの性能の95%以上をフルトレーニングセットで取得する。
  論文  参考訳（メタデータ） (2022-03-21T04:16:25Z)
• Weakly Supervised Person Search with Region Siamese Networks [65.76237418040071]
  教師付き学習は人検索において支配的であるが、境界ボックスとアイデンティティの詳細なラベル付けが必要である。 私たちは、バウンディングボックスアノテーションのみが利用できる弱い教師付き設定を提示します。 我々のモデルはCUHK-SYSUベンチマークで87.1%のランク1と86.0%のmAPを達成している。
  論文  参考訳（メタデータ） (2021-09-13T16:33:27Z)
• Point Discriminative Learning for Unsupervised Representation Learning on 3D Point Clouds [54.31515001741987]
  3次元点雲上での教師なし表現学習のための点識別学習法を提案する。 我々は、中間レベルとグローバルレベルの特徴に新しい点識別損失を課すことにより、これを達成した。 提案手法は強力な表現を学習し,新しい最先端性能を実現する。
  論文  参考訳（メタデータ） (2021-08-04T15:11:48Z)
• Flip Learning: Erase to Segment [65.84901344260277]
  弱い教師付きセグメンテーション(WSS)は、時間と面倒な手作業のアノテーションを減らすのに役立ちます。 ボックスアノテーションのみを必要とするFlip Learningという,斬新で汎用的なWSSフレームワークを提案する。 提案手法は,完全教師付き学習と弱教師付き学習のギャップを狭める大きな可能性を示す。
  論文  参考訳（メタデータ） (2021-08-02T09:56:10Z)
• Label-Efficient Point Cloud Semantic Segmentation: An Active Learning Approach [35.23982484919796]
  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。
  論文  参考訳（メタデータ） (2021-01-18T08:37:21Z)
• Reinforced active learning for image segmentation [34.096237671643145]
  深部強化学習(RL)に基づく意味的セグメンテーションのための新しいアクティブラーニング戦略を提案する。 エージェントは、ラベルなしデータのプールからラベル付けされる小さな情報領域(画像全体とは対照的に)のサブセットを選択するポリシーを学ぶ。 本手法では, 意味的セグメンテーション問題の大規模性質に適応して, 能動的学習のための深部Q-network (DQN) の定式化を新たに提案する。
  論文  参考訳（メタデータ） (2020-02-16T14:03:06Z)

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。