ReDAL：基于区域和多样性感知的点云语义分割主动学习
计算机视觉与模式识别
2022-06-10 v3 机器学习
摘要
尽管深度学习在有监督的点云语义分割上取得了成功，但获取大规模逐点人工标注仍然是一个重大挑战。为了减少巨大的标注负担，我们提出了一种基于区域和多样性感知的主动学习（ReDAL）框架，这是一个适用于许多深度学习方法的通用框架，旨在自动选择信息丰富且多样化的子场景区域进行标签获取。观察到仅需一小部分标注区域就足以用于深度学习的3D场景理解，我们使用softmax熵、颜色不连续性和结构复杂性来衡量子场景区域的信息量。我们还开发了一种多样性感知的选择算法，以避免在查询批次中选择信息丰富但相似的区域而导致冗余标注。大量实验表明，我们的方法显著优于以往的主动学习策略，在S3DIS和SemanticKITTI数据集上分别仅需少于15%和5%的标注，就达到了90%全监督学习的性能。我们的代码已公开在https://github.com/tsunghan-wu/ReDAL。
引用
@article{arxiv.2107.11769,
title = {ReDAL: Region-based and Diversity-aware Active Learning for Point Cloud Semantic Segmentation},
author = {Tsung-Han Wu and Yueh-Cheng Liu and Yu-Kai Huang and Hsin-Ying Lee and Hung-Ting Su and Ping-Chia Huang and Winston H. Hsu},
journal= {arXiv preprint arXiv:2107.11769},
year = {2022}
}
备注
Accepted by ICCV 2021. The code is available at https://github.com/tsunghan-wu/ReDAL