仅标注所需：通过部分标注场景实现感知与预测的细粒度主动选择
计算机视觉与模式识别
2021-04-09 v1 人工智能
机器学习
机器人学
摘要
自动驾驶车辆必须感知并预测附近参与者的未来位置，以避免碰撞并安全驾驶。一个学习的深度学习模块通常负责此任务，需要大规模、高质量的训练数据集。由于在该领域中数据收集通常远比标注便宜，选择标注哪些子集样本会对模型性能产生深远影响。主动学习技术利用当前模型的状态迭代选择样本进行标注，为此问题提供了有前景的解决方案。然而，尽管该方法颇具吸引力，关于感知与预测(P&P)问题的主动学习方法的科学分析甚少。本工作中，我们研究用于P&P的主动学习技术，发现传统的主动学习表述不适合P&P设定。因此我们引入泛化形式，确保我们的方法既具有成本感知，又允许通过部分标注场景对样本进行细粒度选择。我们在真实世界大规模自动驾驶数据集上的实验表明，细粒度选择可改善感知、预测及下游规划任务的性能。
引用
@article{arxiv.2104.03956,
title = {Just Label What You Need: Fine-Grained Active Selection for Perception and Prediction through Partially Labeled Scenes},
author = {Sean Segal and Nishanth Kumar and Sergio Casas and Wenyuan Zeng and Mengye Ren and Jingkang Wang and Raquel Urtasun},
journal= {arXiv preprint arXiv:2104.03956},
year = {2021}
}