論文の概要: Breaking the SSL-AL Barrier: A Synergistic Semi-Supervised Active Learning Framework for 3D Object Detection
- arxiv url: http://arxiv.org/abs/2501.15449v1
- Date: Sun, 26 Jan 2025 08:43:59 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-01-28 13:56:31.179378
- Title: Breaking the SSL-AL Barrier: A Synergistic Semi-Supervised Active Learning Framework for 3D Object Detection
- Title(参考訳): SSL-ALバリアを破る:3Dオブジェクト検出のための相乗的半スーパービジョンアクティブラーニングフレームワーク
- Authors: Zengran Wang, Yanan Zhang, Jiaxin Chen, Di Huang,
- Abstract要約: 本稿では,S-SSALと呼ばれるSynergistic Semi-Supervised Active Learningフレームワークを提案する。
S-SSALは全データセットでトレーニングされたモデルに匹敵する性能が得られることを示す。
- 参考スコア(独自算出の注目度): 34.049483237480615
- License:
- Abstract: To address the annotation burden in LiDAR-based 3D object detection, active learning (AL) methods offer a promising solution. However, traditional active learning approaches solely rely on a small amount of labeled data to train an initial model for data selection, overlooking the potential of leveraging the abundance of unlabeled data. Recently, attempts to integrate semi-supervised learning (SSL) into AL with the goal of leveraging unlabeled data have faced challenges in effectively resolving the conflict between the two paradigms, resulting in less satisfactory performance. To tackle this conflict, we propose a Synergistic Semi-Supervised Active Learning framework, dubbed as S-SSAL. Specifically, from the perspective of SSL, we propose a Collaborative PseudoScene Pre-training (CPSP) method that effectively learns from unlabeled data without introducing adverse effects. From the perspective of AL, we design a Collaborative Active Learning (CAL) method, which complements the uncertainty and diversity methods by model cascading. This allows us to fully exploit the potential of the CPSP pre-trained model. Extensive experiments conducted on KITTI and Waymo demonstrate the effectiveness of our S-SSAL framework. Notably, on the KITTI dataset, utilizing only 2% labeled data, S-SSAL can achieve performance comparable to models trained on the full dataset.
- Abstract(参考訳): LiDARに基づく3Dオブジェクト検出におけるアノテーションの負担に対処するため、アクティブラーニング(AL)手法は有望な解決策を提供する。
しかし、従来のアクティブラーニングアプローチは、ラベルなしデータの豊富さを活用する可能性を見越して、データ選択の初期モデルをトレーニングするために、ラベル付きデータの少量に依存するだけである。
近年、ラベルのないデータを活用することを目的として、半教師付き学習(SSL)をALに統合しようとする試みは、2つのパラダイム間の衝突を効果的に解決する上での課題に直面しており、結果として性能が低下している。
この対立に対処するため,S-SSALと呼ばれるSynergistic Semi-Supervised Active Learningフレームワークを提案する。
具体的には、SSLの観点から、悪影響を伴わずにラベルのないデータから効果的に学習するコラボレーティブPseudoScene Pre-Trening(CPSP)法を提案する。
ALの観点から、モデルカスケードによる不確実性と多様性の手法を補完する協調アクティブラーニング(CAL)手法を設計する。
これにより、CPSP事前訓練モデルの可能性を完全に活用できる。
KITTIとWaymoで実施された大規模な実験は、我々のS-SSALフレームワークの有効性を実証している。
特にKITTIデータセットでは、ラベル付きデータの2%しか利用していないため、S-SSALは完全なデータセットでトレーニングされたモデルに匹敵するパフォーマンスを達成することができる。
関連論文リスト
- DyConfidMatch: Dynamic Thresholding and Re-sampling for 3D Semi-supervised Learning [4.259908158892314]
半教師付き学習(SSL)はラベル付きで豊富なラベル付きデータを活用するが、データ不均衡の課題に直面することが多い。
本研究では,3次元SSLにおける学習状況の指標としてのクラスレベルの信頼度について検討し,動的しきい値を用いた新しい手法を提案する。
また、適切に表現されたクラスに対するバイアスを緩和し、同値なクラス表現を確保するために再サンプリング戦略も導入されている。
論文 参考訳(メタデータ) (2024-11-13T05:09:28Z) - Learning Objective-Specific Active Learning Strategies with Attentive
Neural Processes [72.75421975804132]
学び アクティブラーニング(LAL)は、アクティブラーニング戦略自体を学ぶことを提案し、与えられた設定に適応できるようにする。
能動学習問題の対称性と独立性を利用した新しい分類法を提案する。
私たちのアプローチは、筋電図から学ぶことに基づいており、モデルに標準ではない目的に適応する能力を与えます。
論文 参考訳(メタデータ) (2023-09-11T14:16:37Z) - How To Overcome Confirmation Bias in Semi-Supervised Image
Classification By Active Learning [2.1805442504863506]
実世界のアプリケーションでは、クラス間不均衡、クラス内不均衡、クラス間の類似性という3つの課題を提示する。
ランダムサンプリングは、確認バイアスを軽減せず、場合によっては教師付き学習よりもパフォーマンスが悪くなる。
この結果から,実世界の共通の課題の存在下での,アクティブとセミ教師付き学習の組み合わせの可能性についての知見が得られた。
論文 参考訳(メタデータ) (2023-08-16T08:52:49Z) - Active Semi-Supervised Learning by Exploring Per-Sample Uncertainty and
Consistency [30.94964727745347]
そこで我々は,ASSL(Active Semi-supervised Learning)と呼ばれる手法を提案し,低コストでモデルの精度を向上させる。
ASSLには、ラベルなしデータの使用により、アクティブラーニング(AL)よりもダイナミックなモデル更新が含まれている。
ASSLは同じ性能を保ちながら、半教師あり学習(SSL)の約5.3倍の計算効率を達成した。
論文 参考訳(メタデータ) (2023-03-15T22:58:23Z) - Decoupled Adversarial Contrastive Learning for Self-supervised
Adversarial Robustness [69.39073806630583]
頑健な表現学習のための対人訓練(AT)と教師なし表現学習のための自己教師型学習(SSL)は2つの活発な研究分野である。
Decoupled Adversarial Contrastive Learning (DeACL) と呼ばれる2段階のフレームワークを提案する。
論文 参考訳(メタデータ) (2022-07-22T06:30:44Z) - Collaborative Intelligence Orchestration: Inconsistency-Based Fusion of
Semi-Supervised Learning and Active Learning [60.26659373318915]
アクティブラーニング(AL)と半教師付きラーニング(SSL)は2つの効果があるが、しばしば孤立している。
本稿では、SSL-ALの潜在的な優位性をさらに調査するために、革新的な一貫性に基づく仮想aDvErialアルゴリズムを提案する。
2つの実世界のケーススタディは、提案したデータサンプリングアルゴリズムの適用と展開の実践的な産業価値を可視化する。
論文 参考訳(メタデータ) (2022-06-07T13:28:43Z) - 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) - Trash to Treasure: Harvesting OOD Data with Cross-Modal Matching for
Open-Set Semi-Supervised Learning [101.28281124670647]
オープンセット半教師付き学習(Open-set SSL)では、ラベルなしデータにOOD(Out-of-distribution)サンプルを含む、難しいが実用的なシナリオを調査する。
我々は、OODデータの存在を効果的に活用し、特徴学習を増強する新しいトレーニングメカニズムを提案する。
我々のアプローチは、オープンセットSSLのパフォーマンスを大幅に向上させ、最先端技術よりも大きなマージンで性能を向上します。
論文 参考訳(メタデータ) (2021-08-12T09:14:44Z) - Adversarial Self-Supervised Learning for Semi-Supervised 3D Action
Recognition [123.62183172631443]
本稿では,SSLと半教師付きスキームを緊密に結合する新しいフレームワークであるAdversarial Self-Supervised Learning (ASSL)を紹介する。
具体的には,3次元動作認識のための学習表現の識別能力を向上させる効果的なSSL方式を設計する。
論文 参考訳(メタデータ) (2020-07-12T08:01:06Z)
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。