LiDAL：基于帧间不确定性的三维激光雷达语义分割主动学习
计算机视觉与模式识别
2022-11-14 v1
摘要
我们提出LiDAL，一种通过利用激光雷达帧间不确定性来实现的三维LiDAR语义分割新型主动学习方法。我们的核心思想是，一个训练良好的模型对于场景扫描应不论视角如何都生成鲁棒结果，因此跨帧模型预测的不一致性为主动样本选择提供了非常可靠的不确定性度量。为实现该不确定性度量，我们引入了新的帧间散度与熵公式，作为主动选择的指标。此外，我们通过对伪标签进行预测并融入（同样使用所提帧间不确定性度量筛选的）伪标签，展示了额外的性能提升。实验结果验证了LiDAL的有效性：在SemanticKITTI和nuScenes数据集上，我们以少于5%的标注达到了全监督学习95%的性能，优于最先进的主动学习方法。代码发布：https://github.com/hzykent/LiDAL。
引用
@article{arxiv.2211.05997,
title = {LiDAL: Inter-frame Uncertainty Based Active Learning for 3D LiDAR Semantic Segmentation},
author = {Zeyu Hu and Xuyang Bai and Runze Zhang and Xin Wang and Guangyuan Sun and Hongbo Fu and Chiew-Lan Tai},
journal= {arXiv preprint arXiv:2211.05997},
year = {2022}
}
备注
ECCV 2022, supplementary materials included