BaSAL：面向激光雷达语义分割的尺寸均衡热启动主动学习
计算机视觉与模式识别
2024-03-14 v2
摘要
主动学习旨在通过反复查询标注者从未标注数据池中标注最具信息量的样本，并基于这些样本训练模型，从而减少昂贵数据标注的需求。我们指出现有激光雷达语义分割主动学习方法存在两个问题。首先，它们忽视了激光雷达语义分割数据集中固有的严重类别不平衡。其次，在无标注数据可用时为了启动主动学习循环，它们从随机选取的数据样本训练初始模型，导致性能低下。该情况被称为冷启动问题。为解决这些问题，我们提出 BaSAL，一种基于物体类别具有特征尺寸这一观察的尺寸均衡热启动主动学习模型。通过按尺寸采样物体簇，我们可由此创建尺寸均衡且更类别均衡的数据集。此外，与现有如熵或 CoreSet 的信息度量不同，基于尺寸的采样不需要预训练模型，从而有效解决冷启动问题。结果表明我们能将初始模型性能大幅提升。将热启动与尺寸均衡采样同已有信息度量结合，我们的方法仅使用 5% 的标注便达到与在整个 SemanticKITTI 数据集上训练相当的性能，优于现有主动学习方法。我们也在 nuScenes 上匹配了现有的主动学习最优水平。我们的代码见：https://github.com/Tony-WJR/BaSAL。
引用
@article{arxiv.2310.08035,
title = {BaSAL: Size-Balanced Warm Start Active Learning for LiDAR Semantic Segmentation},
author = {Jiarong Wei and Yancong Lin and Holger Caesar},
journal= {arXiv preprint arXiv:2310.08035},
year = {2024}
}
备注
ICRA 2024 camera-ready