贝叶斯主动学习框架下的激光雷达数据集蒸馏：理解数据增强的作用
计算机视觉与模式识别
2022-02-08 v1 机器学习
摘要
近年来，自动驾驶（AD）数据集规模逐渐增大，以实现更好的深度表征学习。主动学习（AL）近期重新受到关注，用以解决标注成本与数据集规模的缩减问题。AL 在 AD 数据集上，尤其是激光雷达点云数据上，仍相对未被充分探索。本文在大型 Semantic-KITTI 数据集的（1/4）上对基于 AL 的数据集蒸馏进行了原则性评估。此外，本文展示了在不同 AL 循环子集上由数据增强（DA）带来的模型性能提升。我们还展示了 DA 如何改进信息量样本的标注选择。我们观察到，数据增强仅使用所选数据集配置中 60% 的样本即可达到全数据集精度。这带来了更快的训练时间以及随之而来的标注成本收益。
引用
@article{arxiv.2202.02661,
title = {LiDAR dataset distillation within bayesian active learning framework: Understanding the effect of data augmentation},
author = {Ngoc Phuong Anh Duong and Alexandre Almin and Léo Lemarié and B Ravi Kiran},
journal= {arXiv preprint arXiv:2202.02661},
year = {2022}
}
备注
Accepted at VISAPP 2022