ICCVJul, 2021

ReDAL: 面向区域和多样性感知的点云语义分割主动学习

PDF
TL;DR提出一种基于区域和多样性感知主动学习 (ReDAL) 的深度学习方法，结合了 softmax 熵、颜色不连续性和结构复杂性等特征，可准确快速地自动选择信息与多样性高的场景子区域进行标注获取，在 S3DIS 和 SemanticKITTI 数据集中只需少于 15% 和 5% 的标注即可实现与全监督学习相当的性能表现。
point clouddeep learningactive learning3d scene understandinglabel acquisition
发现论文，激发创造
  • 标签高效的点云语义分割：一种主动学习方法

    本研究提出了一种主动学习方法，并通过限制注释费用来确定适当的样本粒度进行主动选择，结果表明基于超点的样本选择比点级和实例级选择使用有限预算更有效，并进一步利用本地一致性约束来提高超点选择方法的性能，在 ShapeNet 和 S3DIS 两个基准数据集上评估了我们的方法，结果表明主动学习是解决语义点云分割中高注释成本的有效策略。

    Jan, 2021

  • 从泛化视角探索主动式三维物体检测

    研究提出了一种基于 Crb 框架的主动学习方法，使用新颖的标签简洁性、特征代表性和几何平衡构成的三个标准来筛选信息量最高的未标注的点云数据，从而提高基于 LiDAR 的三维目标检测的效率和性能。

    Jan, 2023

  • 基于层次点云的半监督点云语义分割的主动学习

    通过开发一种分层点云主动学习策略，本文解决了使用有限注释学习 3D 点云分割的问题，通过使用上下文信息的分层最小边距不确定性模块对每个点进行不确定性度量，并设计了特征距离抑制策略来选择重要和代表性的点进行手动标注，在 S3DIS 和 ScanNetV2 数据集上的广泛实验表明，所提出的框架在仅使用 0.07% 和 0.1% 的训练数据时分别达到了完全监督基线的 96.5% 和 100% 的性能，优于最先进的弱监督和主动学习方法。

    Aug, 2023

  • 第一印象很重要：为 3D 语义分割构建主动学习种子

    提出了一种名为 SeedAL 的方法，用于 3D 点云的语义分割的有效注释，包括处理主动学习和无监督图像特征的选择种子等技术，实验效果显著。

    Apr, 2023

  • USIM-DAL: 基于统计图像建模的不确定性感知稠密主动学习用于超分辨率

    该研究提出了一种称为 USIM-DAL 的新的框架，该框架将主动学习融入密集回归模型中，利用概率深度神经网络学习信息先验，并使用主动学习来减少注释成本，提高性能，从而在自然图像，医学成像和远程监测等领域展现出优越性。

    May, 2023

  • 图像分割的强化主动学习

    策略是通过使用深度强化学习对语义分割进行主动学习实现的，该方法比最有竞争力的基线数量少约 30％的附加标签数据，提高模型对不足表达类别的分类性能。

    Feb, 2020

  • 基于 Discwise 的激活学习用于 LiDAR 语义分割

    本文研究 LiDAR 数据获取、语义分割的主题，提出了基于主动学习的方法，包括顺序标注和半监督学习，以提高标注效率和性能。

    Sep, 2023

  • 面向更少标注：基于区域不纯度和预测不确定性的主动学习，用于领域自适应语义分割

    本文提出了一种基于区域的主动学习方法，通过新的采集策略和本地预测一致性以及负学习，旨在在域移位下实现语义分割。实验表明，我们的方法只需要很少的注释就可以接近监督性能，并且明显优于现有方法。

    Nov, 2021

  • PCDAL: 一种基于扰动一致性推动的主动学习方法应用于医学图像分割与分类

    提出了一种基于主动学习的方法，可同时应用于 2D 医学图像分类、分割和 3D 医学图像分割任务，并在三个公共的挑战性医学图像数据集上验证了其有效性。

    Jun, 2023

  • LiDAL: 基于帧间不确定性的主动学习用于三维激光雷达语义分割

    提出了一种名为 LiDAL 的新型主动学习方法，通过利用 LiDAR 帧之间的帧间不确定性来进行 3D LiDAR 语义分割。代码已在链接中发布。

    Nov, 2022