論文の概要: Hierarchical Point-based Active Learning for Semi-supervised Point Cloud Semantic Segmentation

• arxiv url: http://arxiv.org/abs/2308.11166v1
• Date: Tue, 22 Aug 2023 03:52:05 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-23 19:17:11.032765
• Title: Hierarchical Point-based Active Learning for Semi-supervised Point Cloud Semantic Segmentation
• Title（参考訳）: 半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のための階層型ポイントベースアクティブラーニング
• Authors: Zongyi Xu, Bo Yuan, Shanshan Zhao, Qianni Zhang, Xinbo Gao
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 48.40853126077237
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Impressive performance on point cloud semantic segmentation has been achieved by fully-supervised methods with large amounts of labelled data. As it is labour-intensive to acquire large-scale point cloud data with point-wise labels, many attempts have been made to explore learning 3D point cloud segmentation with limited annotations. Active learning is one of the effective strategies to achieve this purpose but is still under-explored. The most recent methods of this kind measure the uncertainty of each pre-divided region for manual labelling but they suffer from redundant information and require additional efforts for region division. This paper aims at addressing this issue by developing a hierarchical point-based active learning strategy. Specifically, we measure the uncertainty for each point by a hierarchical minimum margin uncertainty module which considers the contextual information at multiple levels. Then, a feature-distance suppression strategy is designed to select important and representative points for manual labelling. Besides, to better exploit the unlabelled data, we build a semi-supervised segmentation framework based on our active strategy. Extensive experiments on the S3DIS and ScanNetV2 datasets demonstrate that the proposed framework achieves 96.5% and 100% performance of fully-supervised baseline with only 0.07% and 0.1% training data, respectively, outperforming the state-of-the-art weakly-supervised and active learning methods. The code will be available at https://github.com/SmiletoE/HPAL.
• Abstract（参考訳）: 大量のラベル付きデータを持つ完全教師付き手法によって,ポイントクラウドセマンティックセマンティックセマンティクスにおける印象的な性能が達成されている。 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であるため,アノテーションを限定した3Dポイントクラウドセグメンテーションの学習が試みられている。 アクティブラーニングは、この目的を達成する効果的な戦略の1つだが、まだ未熟である。 この種の最新の手法は、手動ラベリングのための各分割済み領域の不確実性を測定するが、冗長な情報に悩まされ、地域分割にさらなる努力を要する。 本稿では,階層型ポイントベースアクティブラーニング戦略を開発し,この問題に対処することを目的とする。 具体的には,複数のレベルの文脈情報を考慮した階層的最小マージン不確実性モジュールを用いて各点の不確実性を測定する。 次に、手動ラベリングにおいて重要かつ代表的ポイントを選定する特徴距離抑制戦略を考案する。 さらに、ラベルのないデータをうまく活用するために、当社のアクティブ戦略に基づいた半教師ありセグメンテーションフレームワークを構築します。 S3DISとScanNetV2データセットの大規模な実験により、提案フレームワークは、それぞれ0.07%と0.1%のトレーニングデータで、完全に教師されたベースラインの96.5%と100%のパフォーマンスを達成した。 コードはhttps://github.com/SmiletoE/HPALで入手できる。

関連論文リスト

• 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)
• FreePoint: Unsupervised Point Cloud Instance Segmentation [72.64540130803687]
  点クラウド上の教師なしクラス非依存のインスタンスセグメンテーションを探索するためのFreePointを提案する。 我々は、座標、色、そして自己監督の深い特徴を組み合わせることで、点の特徴を表現する。 ポイント機能に基づいて、ポイントクラウドを擬似ラベルとして粗いインスタンスマスクに分割し、ポイントクラウドインスタンスセグメンテーションモデルをトレーニングする。
  論文  参考訳（メタデータ） (2023-05-11T16:56:26Z)
• Semantic Segmentation with Active Semi-Supervised Representation Learning [23.79742108127707]
  我々はラベル付きデータよりもはるかに少ない効果的なセマンティックセグメンテーションアルゴリズムを訓練する。 半教師あり学習のための平均教師アプローチを自己学習アプローチに置き換えることで、従来のS4ALアルゴリズムを拡張した。 セマンティックセグメンテーションのためのアクティブラーニングのためのデファクト標準であるCamVidおよびCityScapesデータセットについて,本手法の評価を行った。
  論文  参考訳（メタデータ） (2022-10-16T00:21:43Z)
• 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)
• 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)
• A new weakly supervised approach for ALS point cloud semantic segmentation [1.4620086904601473]
  本稿では,ALS点雲のセマンティックセグメンテーションのための,ディープラーニングに基づく弱教師付きフレームワークを提案する。 不完全でスパースなラベルの対象となるラベルのないデータから潜在的情報を利用する。 本手法は, 総合精度が83.0%, 平均F1スコアが70.0%であり, それぞれ6.9%, 12.8%増加した。
  論文  参考訳（メタデータ） (2021-10-04T14:00:23Z)
• ReDAL: Region-based and Diversity-aware Active Learning for Point Cloud Semantic Segmentation [28.478555264574865]
  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。
  論文  参考訳（メタデータ） (2021-07-25T09:40:48Z)
• 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)
• 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。