文献

J-GLOBAL ID：202002226773929350   整理番号：20A1750628

ViewAL:セマンティックセグメンテーションのための視点エントロピーによるアクティブ学習【JST・京大機械翻訳】

ViewAL: Active Learning With Viewpoint Entropy for Semantic Segmentation

著者 (3件)： Siddiqui Yawar (Technical University of Munich) ,  Valentin Julien (Google) ,  NieBner Matthias (Technical University of Munich)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2020  号： CVPR  ページ： 9430-9440  発行年： 2020年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： マルチビューデータセットにおける視点一貫性を利用する意味セグメンテーションのための新しいアクティブ学習戦略であるViewALを提案した。コアアイディアは,視点にわたるモデル予測の不一致が,不確実性の非常に信頼できる測度を提供し,オブジェクトが観測される視点に無関係に,このモデルを奨励するというものである。この不確実性測度を組み込むために,アクティブ学習戦略の基礎である新しい視点エントロピー定式化を導入した。さらに,セグメンテーションタスクにおいて本質的に局在化した信号を利用するスーパーピクセルレベルに関する不確実性計算を提案し,アノテーションコストを直接下げた。視点エントロピーとスーパーピクセルの使用の組合せは,ネットワークを改善するために高度に有益なサンプルを効率的に選択することを可能にする。提案アクティブ学習戦略は,必要なラベル付きデータの同じ量に対して最良性能モデルを生成するだけでなく,ラベル付け努力も有意に低減することを示した。例えば,著者らの方法は,SceneNet-RGBD,ScanNet,およびMatterport3Dに関するそれぞれ7%,17%,および24%のラベル付きデータだけを用いて,最大達成可能なネットワーク性能の95%を達成した。これらのデータセット上で,最良の最先端の方法は,14%,27%および33%のラベル付きデータで同じ性能を達成した。最後に,スーパーピクセルを用いたラベリングは,全画像ラベリングと比較して,同じ品質のグラウンドトルースを生成するが,25%少ない時間を必要とすることを示した。Copyright 2020 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： *エントロピー ,  測度 ,  *セグメンテーション ,  ネットワーク ,  不確実性 ,  画素 ,  定式化 ,  アノテーション
準シソーラス用語： *能動学習 ,  局在化 ,  ネットワーク性能 ,  性能モデル ,  マルチビュー ,  グランドトゥルース ,  モデル予測 , 【Automatic Indexing@JST】

分類 (1件)： 図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (4件)： セマンティックセグメンテーション ,  視点 ,  エントロピー ,  アクティブ学習