#今日论文推荐#ACM MM 2022 | 浙大提出:点云分割主动学习新SOTA
由于标注一个完整的点云数据集,需要大量人力物力财力。主动学习方法(Active Learning)可以迭代地帮助模型挑选出少量最有价值的数据进行标注,同时这些标注的少量数据可以满足模型的正常训练。用一句话概况就是:用最少的标注成本,标注出最有价值的数据来满足模型的正常训练。
本文将每个独立的点云场景划分为一个个超点区域,每个超点区域大致只包含同一类别的点。
本文主动学习方法具体步骤如下:
- 随机选择带标签的少量超点样本,训练出一个点云语义分割模型(Randlanet)
- 利用新训练好的点云语义分割模型去预测其他没有标签的超点,挑出一部分最有价值的未标注的超点
- 设定具体的标注成本预算,不断的去标注(2)中得到的一部分最有价值的未标注的超点,直到本次标注成本预算消耗完
- 利用所有标注过的超点去重新训练点云语义分割模型
- 跳回到(2),直到满足退出条件
最终比较各个主动学习方法在消耗相同的总标注成本的情况下,谁最终训练的点云语义分割模型性能好,就表示谁挑选和标注的超点更具有价值,就代表谁的主动学习方法更好。
论文题目:Active Learning for Point Cloud Semantic Segmentation via Spatial-Structural Diversity Reasoning
详细解读:https://www.aminer.cn/research_report/62e20d967cb68b460ff5c7c6https://www.aminer.cn/research_report/62e20d967cb68b460ff5c7c6
AMiner链接:https://www.aminer.cn/?f=cs