論文の概要: Active Learning for Point Cloud Semantic Segmentation via Spatial-Structural Diversity Reasoning

• arxiv url: http://arxiv.org/abs/2202.12588v1
• Date: Fri, 25 Feb 2022 10:06:47 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-28 15:25:22.054840
• Title: Active Learning for Point Cloud Semantic Segmentation via Spatial-Structural Diversity Reasoning
• Title（参考訳）: 空間構造的多様性推論によるポイントクラウド意味セグメンテーションのためのアクティブラーニング
• Authors: Feifei Shao, Yawei Luo, Ping Liu, Jie Chen, Yi Yang, Yulei Lu, Jun Xiao
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 38.756609521163604
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The expensive annotation cost is notoriously known as a main constraint for the development of the point cloud semantic segmentation technique. In this paper, we propose a novel active learning-based method to tackle this problem. Dubbed SSDR-AL, our method groups the original point clouds into superpoints and selects the most informative and representative ones for label acquisition. We achieve the selection mechanism via a graph reasoning network that considers both the spatial and structural diversity of the superpoints. To deploy SSDR-AL in a more practical scenario, we design a noise aware iterative labeling scheme to confront the "noisy annotation" problem introduced by previous dominant labeling methods in superpoints. Extensive experiments on two point cloud benchmarks demonstrate the effectiveness of SSDR-AL in the semantic segmentation task. Particularly, SSDR-AL significantly outperforms the baseline method when the labeled sets are small, where SSDR-AL requires only $5.7\%$ and $1.9\%$ annotation costs to achieve the performance of $90\%$ fully supervised learning on S3DIS and Semantic3D datasets, respectively.
• Abstract（参考訳）: 高価なアノテーションコストは、ポイントクラウドセマンティックセグメンテーション技術の開発における主要な制約として知られている。 本稿では,この問題に取り組むための新しいアクティブラーニングベース手法を提案する。 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。 スーパーポイントの空間的および構造的多様性を考慮したグラフ推論ネットワークを用いて選択機構を実現する。 SSDR-ALをより現実的なシナリオで展開するために,従来の支配的なラベル付け手法がスーパーポイントで導入した「ノイズアノテーション」問題に対処するために,ノイズ認識反復ラベル方式を設計する。 2点クラウドベンチマークでの大規模な実験は、セマンティックセグメンテーションタスクにおけるSSDR-ALの有効性を示す。 特に、SSDR-ALはラベル付きセットが小さい場合、S3DISとSemantic3Dのデータセット上での完全な教師付き学習のパフォーマンスを達成するのに、SSDR-ALは5.7\%と1.9\%のアノテーションコストしか必要としない。

関連論文リスト

• Multi-modality Affinity Inference for Weakly Supervised 3D Semantic Segmentation [47.81638388980828]
  本稿では,マルチモーダルポイント親和性推論モジュールを新たに導入した,シンプルで効果的なシーンレベルの弱教師付きポイントクラウドセグメンテーション法を提案する。 ScanNet と S3DIS のベンチマークでは,最先端の ScanNet と S3DIS のベンチマークでは 4% から 6% の mIoU を達成している。
  論文  参考訳（メタデータ） (2023-12-27T14:01:35Z)
• 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)
• 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)
• Collaborative Propagation on Multiple Instance Graphs for 3D Instance Segmentation with Single-point Supervision [63.429704654271475]
  本稿では,1つのオブジェクトを1つのポイントでラベル付けするだけでよい,弱教師付き手法RWSegを提案する。 これらの疎いラベルにより、セマンティック情報とインスタンス情報を伝達する2つの分岐を持つ統一的なフレームワークを導入する。 具体的には、異なるインスタンスグラフ間の競合を促進するクロスグラフ競合ランダムウォークス(CRW)アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-08-10T02:14:39Z)
• PointMatch: A Consistency Training Framework for Weakly Supervised Semantic Segmentation of 3D Point Clouds [117.77841399002666]
  本稿では,データ自体から十分な情報を探索するために整合性正規化を適用することで,データとラベルの両面に立つ新しいフレームワークであるPointMatchを提案する。 提案したPointMatchは、ScanNet-v2データセットとS3DISデータセットの両方で、様々な弱い教師付きスキームの下で最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2022-02-22T07:26:31Z)
• 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)
• Dense Supervision Propagation for Weakly Supervised Semantic Segmentation on 3D Point Clouds [59.63231842439687]
  意味点クラウドセグメンテーションネットワークをトレーニングする。 同様の特徴を伝達し、2つのサンプルにまたがる勾配を再現するクロスサンプル機能再配置モジュールを提案する。 ラベルの10%と1%しか持たない弱教師付き手法では、完全教師付き手法と互換性のある結果が得られる。
  論文  参考訳（メタデータ） (2021-07-23T14:34:57Z)
• 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)

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。