論文の概要: Annotator: A Generic Active Learning Baseline for LiDAR Semantic Segmentation

• arxiv url: http://arxiv.org/abs/2310.20293v1
• Date: Tue, 31 Oct 2023 09:04:39 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-01 15:43:17.596420
• Title: Annotator: A Generic Active Learning Baseline for LiDAR Semantic Segmentation
• Title（参考訳）: Annotator: LiDARセマンティックセグメンテーションのためのジェネリックアクティブラーニングベースライン
• Authors: Binhui Xie, Shuang Li, Qingju Guo, Chi Harold Liu and Xinjing Cheng
• Abstract要約: Annotatorは汎用的で効率的なアクティブラーニングベースラインである。 ボクセル中心のオンライン選択戦略は、各LiDARスキャン内の正当性と卓越したボクセルギルドを効率よく調査し、注釈付けするように調整されている。 アノテーションは多様な設定で優れており、特にアクティブラーニング(AL)、アクティブソースフリードメイン適応(ASFDA)、アクティブドメイン適応(ADA)に焦点を当てている。
• 参考スコア（独自算出の注目度）: 40.803251337200656
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Active learning, a label-efficient paradigm, empowers models to interactively query an oracle for labeling new data. In the realm of LiDAR semantic segmentation, the challenges stem from the sheer volume of point clouds, rendering annotation labor-intensive and cost-prohibitive. This paper presents Annotator, a general and efficient active learning baseline, in which a voxel-centric online selection strategy is tailored to efficiently probe and annotate the salient and exemplar voxel girds within each LiDAR scan, even under distribution shift. Concretely, we first execute an in-depth analysis of several common selection strategies such as Random, Entropy, Margin, and then develop voxel confusion degree (VCD) to exploit the local topology relations and structures of point clouds. Annotator excels in diverse settings, with a particular focus on active learning (AL), active source-free domain adaptation (ASFDA), and active domain adaptation (ADA). It consistently delivers exceptional performance across LiDAR semantic segmentation benchmarks, spanning both simulation-to-real and real-to-real scenarios. Surprisingly, Annotator exhibits remarkable efficiency, requiring significantly fewer annotations, e.g., just labeling five voxels per scan in the SynLiDAR-to-SemanticKITTI task. This results in impressive performance, achieving 87.8% fully-supervised performance under AL, 88.5% under ASFDA, and 94.4% under ADA. We envision that Annotator will offer a simple, general, and efficient solution for label-efficient 3D applications. Project page: https://binhuixie.github.io/annotator-web
• Abstract（参考訳）: ラベル効率のよいパラダイムであるactive learningは、モデルに新しいデータをラベル付けするためにoracleをインタラクティブにクエリさせる。 lidarのセマンティクスセグメンテーションの領域では、課題はポイントクラウドの膨大なボリュームに起因し、アノテーションの労力集約とコスト増加をもたらす。 本稿では,voxel中心のオンライン選択戦略を調整し,分散シフト中であっても,各lidarスキャンにおいて有意・有意なvoxel桁を効率的に探索し,注釈を付与する,汎用的かつ効率的なアクティブラーニングベースラインであるannotatorを提案する。 具体的には、まずランダム、エントロピー、マージンなどの一般的な選択戦略を詳細に分析し、次に点雲の局所的トポロジー関係と構造を利用するためにボクセル混乱度(VCD)を開発する。 アノテーションは多様な設定で優れており、特にアクティブラーニング(AL)、アクティブソースフリードメイン適応(ASFDA)、アクティブドメイン適応(ADA)に焦点を当てている。 LiDARセマンティックセグメンテーションベンチマーク全体で一貫して例外的なパフォーマンスを提供し、シミュレーションから現実と現実の両方のシナリオにまたがる。 驚いたことに、Annotatorは驚くほど効率が良く、SynLiDAR-to-SemanticKITTIタスクでスキャン毎の5つのボクセルをラベル付けするなど、アノテーションをはるかに少なくする必要がある。 この結果、ALでは87.8%、ASFDAでは88.5%、ADAでは94.4%を達成している。 我々はannotatorがラベル効率の良い3dアプリケーションのためのシンプルで汎用的で効率的なソリューションを提供することを期待している。 プロジェクトページ: https://binhuixie.github.io/annotator-web

関連論文リスト

• Learn from the Learnt: Source-Free Active Domain Adaptation via Contrastive Sampling and Visual Persistence [60.37934652213881]
  ドメイン適応(DA)は、ソースドメインから関連するターゲットドメインへの知識伝達を容易にする。 本稿では、ソースデータフリーなアクティブドメイン適応(SFADA)という実用的なDAパラダイムについて検討する。 本稿では,学習者学習(LFTL)というSFADAの新たなパラダイムを紹介し,学習した学習知識を事前学習モデルから活用し,余分なオーバーヘッドを伴わずにモデルを積極的に反復する。
  論文  参考訳（メタデータ） (2024-07-26T17:51:58Z)
• SS-ADA: A Semi-Supervised Active Domain Adaptation Framework for Semantic Segmentation [25.929173344653158]
  セマンティックセグメンテーションのための半教師付きアクティブドメイン適応(SS-ADA)フレームワークを提案する。 SS-ADAは、アクティブラーニングを半教師付きセマンティックセグメンテーションに統合し、教師付き学習の精度を達成する。 本研究では,合成ドメイン適応設定と実ドメイン適応設定について広範な実験を行った。
  論文  参考訳（メタデータ） (2024-06-17T13:40:42Z)
• BAL: Balancing Diversity and Novelty for Active Learning [53.289700543331925]
  多様な不確実なデータのバランスをとるために適応的なサブプールを構築する新しいフレームワークであるBalancing Active Learning (BAL)を導入する。 我々のアプローチは、広く認識されているベンチマークにおいて、確立されたすべてのアクティブな学習方法より1.20%優れています。
  論文  参考訳（メタデータ） (2023-12-26T08:14:46Z)
• Divide and Adapt: Active Domain Adaptation via Customized Learning [56.79144758380419]
  対象インスタンスを成層化可能な4つのカテゴリに分割する新しいADAフレームワークであるDiaNA(Divide-and-Adapt)を提案する。 不確実性とドメイン性に基づく新しいデータ分割プロトコルにより、DiaNAは最も有利なサンプルを正確に認識することができる。 の精神のおかげで、DiaNAはドメインギャップの大きなバリエーションでデータを処理できる。
  論文  参考訳（メタデータ） (2023-07-21T14:37:17Z)
• Novel Batch Active Learning Approach and Its Application to Synthetic Aperture Radar Datasets [7.381841249558068]
  近年、合成開口レーダ(SAR)データarXiv:2204.00005のシーケンシャルな能動学習が実施されている。 そこで我々は,Dijkstraのコアセット生成用Annulus Core-Set(DAC)とバッチサンプリング用LocalMaxという,バッチアクティブラーニングのための新しい2部構成のアプローチを開発した。 DACとLocalMaxを組み合わせたバッチアクティブラーニングプロセスは、逐次アクティブラーニングとほぼ同じ精度で、バッチサイズに比例して効率的である。
  論文  参考訳（メタデータ） (2023-07-19T23:25:21Z)
• An Efficient Active Learning Pipeline for Legal Text Classification [2.462514989381979]
  法律分野における事前学習言語モデルを用いて,能動的学習を効果的に活用するためのパイプラインを提案する。 我々は、知識蒸留を用いてモデルの埋め込みを意味論的意味のある空間に導く。 分類タスクに適応したContract-NLIとLEDGARベンチマークの実験により,本手法が標準AL戦略より優れていることが示された。
  論文  参考訳（メタデータ） (2022-11-15T13:07:02Z)
• 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)
• Learning Distinctive Margin toward Active Domain Adaptation [27.091800612463455]
  本研究では,Select-by-Distinctive-Margin (SDM) という,簡潔だが効果的なADA法を提案する。 SDMは、データ選択のための最大マージン損失とマージンサンプリングアルゴリズムからなる。 我々は、SDMを標準的なアクティブな学習設定でベンチマークし、我々のアルゴリズムが優れたデータスケーラビリティで競合する結果を達成することを実証した。
  論文  参考訳（メタデータ） (2022-03-11T03:30:58Z)
• ePointDA: An End-to-End Simulation-to-Real Domain Adaptation Framework for LiDAR Point Cloud Segmentation [111.56730703473411]
  LiDARデータ上でディープニューラルネットワーク(DNN)をトレーニングするには、大規模なポイントワイドアノテーションが必要である。 シミュレーション・トゥ・リアル・ドメイン適応(SRDA)は、DNNを無制限の合成データと自動生成されたラベルで訓練する。 ePointDAは、自己教師付きドロップアウトノイズレンダリング、統計不変および空間適応型特徴アライメント、転送可能なセグメンテーション学習の3つのモジュールで構成されている。
  論文  参考訳（メタデータ） (2020-09-07T23:46:08Z)

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。