Aktivní učení pro sémantickou segmentaci sekvence mračen 3D bodů

Abstract

We propose an extension of the ReDAL[15] active learning method. Our extension makes annotations of dynamic objects in 3D LiDAR point cloud easier and more effective. It can create instances of objects in point cloud and link them through time, without any manual annotations. Therefore, the annotator is able to annotate an object in a whole sequence just by one action. Thanks to our pipeline, we can improve mIoU by 1.67 percentage points over ReDAL[15], i.e. from 92.1% of performance of fully supervised learning to 94.7%, with the same amount of manually annotated data. For our extension, we create a user interface for fast labeling that uses the output of our extension.

Vytvořili jsme vylepšení metody ReDAL[15], která se zabývá aktiv- ním učením. Naše vylepšení zjednodušuje a zefektivňuje anotace dynamických objektů v 3D mračnech bodů. Dokáže vytvořit instance dynamických objektů a propojit je v čase a to bez potřeby jakékoli manuální anotace. Anotátor tedy může anotovat objekt ve všech časech jednou akcí. Pomocí naši metody jsme zlepšili výsledek učení o 1.67 procentního bodu, oproti ReDALu[15] a to z 92.1% výsledku plně supervizovaného učení na 94.7%, při stejném množství manuálně anotovaných dat. Pro naše rozšíření jsme také vytvořili uživatelské rozhraní pro rychlé anotování, které využívá výsledky naší metody.