論文の概要: LiDAL: Inter-frame Uncertainty Based Active Learning for 3D LiDAR
Semantic Segmentation
- arxiv url: http://arxiv.org/abs/2211.05997v1
- Date: Fri, 11 Nov 2022 04:47:33 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-14 16:22:54.323246
- Title: LiDAL: Inter-frame Uncertainty Based Active Learning for 3D LiDAR
Semantic Segmentation
- Title(参考訳): LiDAL: 3次元LiDARセマンティックセグメンテーションのためのフレーム間不確実性に基づくアクティブラーニング
- Authors: Zeyu Hu, Xuyang Bai, Runze Zhang, Xin Wang, Guangyuan Sun, Hongbo Fu,
Chiew-Lan Tai
- Abstract要約: LiDALは3次元LiDARセマンティック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手法である。
本稿では,LiDARフレーム間の不確実性を利用したLiDALを提案する。
我々は、5%未満のアノテーションで完全に教師付き学習のパフォーマンスを95%達成する。
- 参考スコア(独自算出の注目度): 36.69417080183985
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We propose LiDAL, a novel active learning method for 3D LiDAR semantic
segmentation by exploiting inter-frame uncertainty among LiDAR frames. Our core
idea is that a well-trained model should generate robust results irrespective
of viewpoints for scene scanning and thus the inconsistencies in model
predictions across frames provide a very reliable measure of uncertainty for
active sample selection. To implement this uncertainty measure, we introduce
new inter-frame divergence and entropy formulations, which serve as the metrics
for active selection. Moreover, we demonstrate additional performance gains by
predicting and incorporating pseudo-labels, which are also selected using the
proposed inter-frame uncertainty measure. Experimental results validate the
effectiveness of LiDAL: we achieve 95% of the performance of fully supervised
learning with less than 5% of annotations on the SemanticKITTI and nuScenes
datasets, outperforming state-of-the-art active learning methods. Code release:
https://github.com/hzykent/LiDAL.
- Abstract(参考訳): フレーム間不確実性を利用した3次元LiDARセマンティックセマンティック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手法LiDALを提案する。
我々の中核的な考え方は、シーンスキャンの視点に関係なく、十分に訓練されたモデルが堅牢な結果を生成すべきであり、したがってフレーム間のモデル予測の不整合は、アクティブなサンプル選択の不確実性の非常に確実な尺度を提供する。
この不確実性尺度を実現するために, アクティブ選択のための指標として, 新たなフレーム間発散とエントロピー定式化を導入する。
さらに,提案するフレーム間不確実性尺度を用いて選択した擬似ラベルの予測と組み込みにより,さらなる性能向上を示す。
我々は,セマンティックKITTIおよびnuScenesデータセットのアノテーションの5%未満で完全に教師付き学習のパフォーマンスを95%達成し,最先端のアクティブな学習方法より優れた結果を得た。
コードリリース:https://github.com/hzykent/LiDAL。
関連論文リスト
- STAR: Constraint LoRA with Dynamic Active Learning for Data-Efficient
Fine-Tuning of Large Language Models [23.956842699977795]
我々は不確実性に基づくアクティブラーニングとLoRAを統合する新しい手法を提案する。
不確実性ギャップについて、ベースモデルの不確実性とフルモデルの不確実性を組み合わせた動的不確実性測定を導入する。
モデルのキャリブレーションが不十分な場合、LoRAトレーニング中に正規化手法を導入し、モデルが過度に信頼されないようにする。
論文 参考訳(メタデータ) (2024-03-02T10:38:10Z) - Querying Easily Flip-flopped Samples for Deep Active Learning [63.62397322172216]
アクティブラーニング(英: Active Learning)は、ラベルのないデータを戦略的に選択してクエリすることで、モデルの性能を向上させることを目的とした機械学習パラダイムである。
効果的な選択戦略の1つはモデルの予測の不確実性に基づくもので、サンプルがどの程度情報的であるかの尺度として解釈できる。
本稿では,予測されたラベルの不一致の最小確率として,最小不一致距離(LDM)を提案する。
論文 参考訳(メタデータ) (2024-01-18T08:12:23Z) - Credible Teacher for Semi-Supervised Object Detection in Open Scene [106.25850299007674]
Open Scene Semi-Supervised Object Detection (O-SSOD)では、ラベル付きデータはラベル付きデータで観測されていない未知のオブジェクトを含む可能性がある。
より不確実性が、偽ラベルのローカライズと分類精度の低下につながるため、主に自己学習に依存する現在の手法には有害である。
我々は,不確実な擬似ラベルがモデルに誤解をもたらすのを防ぐための,エンドツーエンドのフレームワークであるCredible Teacherを提案する。
論文 参考訳(メタデータ) (2024-01-01T08:19:21Z) - Monocular 3D Object Detection with LiDAR Guided Semi Supervised Active
Learning [2.16117348324501]
LiDAR誘導を用いたモノクロ3次元物体検出のための新しい半教師付き能動学習フレームワーク(SSAL)を提案する。
我々はLiDARを用いて、単分子型3D検出器のデータ選択とトレーニングを、推論フェーズのオーバーヘッドを伴わずにガイドする。
トレーニング戦略は,BEV平均精度(AP)を2.02倍に向上させることで,KITTI 3Dと鳥眼視(BEV)単眼物体検出の公式ベンチマークでトップとなる。
論文 参考訳(メタデータ) (2023-07-17T11:55:27Z) - Adaptive Negative Evidential Deep Learning for Open-set Semi-supervised
Learning [73.31528264881868]
オープンセット半教師付き学習(Open-set SSL)は、ラベル付きデータ(inliers)で観測されない新しいカテゴリ(outliers)を含むラベル付きデータとテストデータを含む、より実践的なシナリオである。
本研究では,様々な不確かさを定量化するための外乱検出器として顕在的深層学習(EDL)を導入し,自己学習と推論のための異なる不確実性指標を設計する。
Inlierとoutlierの両方を含むラベルなしデータセットに適合するように、新しい適応的負の最適化戦略を提案する。
論文 参考訳(メタデータ) (2023-03-21T09:07:15Z) - Open-Set Semi-Supervised Learning for 3D Point Cloud Understanding [62.17020485045456]
半教師付き学習(SSL)では、ラベル付きデータと同じ分布からラベル付きデータが引き出されることが一般的である。
サンプル重み付けによりラベルなしデータを選択的に活用することを提案する。
論文 参考訳(メタデータ) (2022-05-02T16:09:17Z) - Uncertainty-Guided Mutual Consistency Learning for Semi-Supervised
Medical Image Segmentation [9.745971699005857]
医用画像セグメンテーションのための新しい不確実性誘導相互整合学習フレームワークを提案する。
タスクレベルの正規化によるタスク内一貫性学習と、タスク間の整合性学習を統合して、幾何学的な形状情報を活用する。
本手法は,ラベルのないデータを活用し,既存の半教師付きセグメンテーション法より優れた性能を実現する。
論文 参考訳(メタデータ) (2021-12-05T08:19:41Z) - Holistic Deep Learning [3.718942345103135]
本稿では、入力摂動、過度なパラメータ化、性能不安定といった脆弱性の課題に対処する、新しい総合的なディープラーニングフレームワークを提案する。
提案したフレームワークは、標準的なディープラーニングモデルよりも正確性、堅牢性、疎性、安定性を全面的に改善する。
論文 参考訳(メタデータ) (2021-10-29T14:46:32Z) - To be Critical: Self-Calibrated Weakly Supervised Learning for Salient
Object Detection [95.21700830273221]
弱教師付き有色物体検出(WSOD)は,画像レベルのアノテーションを用いた有色度モデルの開発を目的としている。
擬似ラベルとネットワーク予測の相互校正ループを明確に設定し,自己校正学習戦略を提案する。
十分に整合したアノテーションを持つはるかに小さなデータセットであっても、モデルがより優れたパフォーマンスと一般化性を達成するのに役立ちます。
論文 参考訳(メタデータ) (2021-09-04T02:45:22Z) - 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)
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。