Aktivní učení pro sémantickou segmentaci mračen bodů

Abstract

Tato práce se zaměřuje na snížení nákladů spojených s anotací datasetů mračen bodů pro sémantickou segmentaci pomocí aktivního učení. V rámci této studie představujeme nový přístup aktivního učení, který je speciálně navržen pro datasety se skeny ze senzoru LiDAR z více různých pohledů na stejný objekt. Důkladně zkoumáme, jak využití více pohledů ovlivňuje výkon běžně používaných strategií aktivního učení založených na nejistotě modelu. Kromě toho představujeme novou strategii výběru vzorků v rámci našeho přístupu a porovnáváme její účinnost s existujícími metodami. Dále se také zabýváme důležitostí filtrování nespolehlivých predikcí při výběru anotovaných dat. Náš nový přístup aktivního učení je testován na široce používaných datasetech pro sémantickou segmentaci mračen bodů v automobilových aplikacích. Na základě výsledků evaluace úspěšně demonstrujeme, jak aktivní učení výrazně zlepšuje efektivitu anotace těchto datasetů pro sémantickou segmentaci.

The primary objective of this thesis is to address the challenge of minimizing the annotation cost associated with point cloud datasets used in semantic segmentation tasks through active learning techniques. Within this research, we present a novel active learning framework tailored explicitly for multi-view LiDAR-based datasets, which provide diverse viewpoints of objects. We thoroughly investigate the impact of incorporating multiple viewpoints on the performance of commonly employed uncertainty selection strategies in active learning. Moreover, we introduce an innovative uncertainty selection strategy based on the variance of the model's outputs within our framework, offering a comparative analysis of its effectiveness against state-of-the-art methods. Additionally, we explore the significance of filtering out unreliable predictions when selecting annotated data for active learning. To evaluate the efficacy of our proposed active learning framework, we conduct comprehensive experiments on widely used automotive datasets for LiDAR-based semantic segmentation. Through these evaluations, we effectively demonstrate how active learning can significantly improve the annotation efficiency of point cloud datasets.