弱教師あり3Dシーンセマンティックセグメンテーションのためのアクティブ自己学習

要旨 ポイントクラウドのセマンティックセグメンテーションネットワークのトレーニングに必要なラベル付けデータの準備は時間がかかるプロセスであるため、少数のデータから学習するために弱教師ありアプローチが導入されています。これらの手法は通常、ユーザーが注釈を付けたスパースなセットから自動的に各ポイントの擬似ラベルを導出しながら、対比損失を使って学習することに基づいています。本論文では、どのサンプルを注釈するかの選択が、これらのサンプルがトレーニングにどのように使われるかと同じくらい重要であるという重要な観察を示します。したがって、アクティブ学習と自己学習を組み合わせた3Dシーンの弱教師ありセグメンテーションのための手法を導入します。アクティブ学習は、トレーニングされたモデルの改善につながる可能性がある注釈用ポイントを選択し、自己学習はユーザー提供のラベルを効率的に活用してモデルを学習します。我々のアプローチが以前の研究やベースラインに比べてシーンセグメンテーションの改善をもたらす効果的な方法を示すことを実証し、わずか数件のユーザー注釈だけで済むことを示します。