ICLRJan, 2023

从泛化视角探索主动式三维物体检测

PDF
TL;DR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。
active learninglidar-based 3d object detectioncrbpoint cloud acquisitionnovel criteria
发现论文，激发创造
  • 走向开放世界的主动学习：三维物体检测

    通过 OpenCRB 策略，本研究在 3D 目标检测中实现了相对较低的标注成本，并且在识别未知和已知目标类别方面表现出优越性和灵活性。

    Oct, 2023

  • 用深度主动学习高效训练 LiDAR 三维物体检测器

    本研究提出了一种主动学习的方法，通过使用 RGB 图像生成的 2D 区域提案来减少目标搜索空间并加快学习过程，从而训练一个具有最少标记训练数据的 LiDAR 3D 目标检测器。实验结果表明，该方法在不同的不确定性估计和查询功能下都能正常工作，并可以节省多达 60% 的标注工作量，同时达到相同的网络性能。

    Jan, 2019

  • 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

  • 大数据驱动的安全自动驾驶中使用主动学习的原因、时间和方法：一项实证研究

    在自动驾驶数据集中，采用主动学习策略可以解决数据不平衡、冗余和高维数据的挑战。我们展示了使用信息熵查询来选择信息丰富的样本，旨在降低注释成本和提高模型性能的有效性。我们在 nuScenes 数据集上使用 BEVFusion 模型进行了实验，将主动学习与随机抽样进行比较，并证明信息熵查询在大多数案例中表现优异。该方法在减少多数类和少数类之间的性能差距方面特别有效。类别特定的分析揭示了对有限数据预算进行注释资源的有效配置，强调选择多样性和信息丰富的数据用于模型训练的重要性。我们的发现表明，在资源受限的环境中，信息熵查询是选择增强模型学习的数据的一种有前途的策略。

    Jan, 2024

  • 主动学习框架用于多模态三维物体检测

    使用主动学习为多模态三维物体检测填补研究空白，提出了 ActiveAnno3D，一个用于选择最具信息性的训练样本进行标记的主动学习框架，在 nuScenes 和 TUM 交通路口数据集上进行了广泛实验，并将主动学习框架集成到 proAnno 标注工具中，以实现 AI 辅助的数据选择和标记，减少标记成本。

    Feb, 2024

  • 深度目标检测主动学习

    本研究结合活性学习和增量学习的方法，提出一种基于不确定度的适用于大多数对象检测器的主动学习度量标准，并探讨在样本选择过程中如何解决类别不平衡问题，通过系统评估在 PASCAL VOC 2012 数据集上，实现对新未标注数据集的持续探索。

    Sep, 2018

  • 深度检测神经网络的主动学习

    该论文提出了一种基于卷积神经网络的主动学习目标检测方法，使用新的图像级评分过程对未标记图像进行排序以进行自动选择，并针对不同情境（如视频或静态图像集）提出适应技巧，在行人检测任务中经过广泛研究，我们在实验中表明所提出的方法比随机选择表现更好。

    Nov, 2019

  • 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

  • KECOR: 活跃 3D 目标检测中的核编码率最大化

    本文提出一种使用信息论方法实现最大化代表性点云（bounding boxes）被标注的主动学习策略，并利用构建的神经切向核矩阵最大化分类熵和检测性能之间的权衡，成功地将对物体检测的标注成本降低了 44% 左右，计算时间降低 26% 左右。

    Jul, 2023

  • 基于概率建模的深度目标检测主动学习

    本文提出了一种基于混合密度网络的深度主动学习方法，该方法通过对定位和分类器的输出估计概率分布并明确估计模型的不确定性，使用一种特殊得分函数将这两种不确定性聚合在一起以获取每个图像的信息量分数，通过 PASCAL VOC 和 MS-COCO 数据集的实验证明了该方法在物体检测方面的有效性，性能优于单模型和多模型方法，而计算成本仅为之前方法的一小部分。

    Mar, 2021