Bayesアクティブ学習フレームワーク内のLiDARデータセット蒸留:データ増強効果の理解【JST・京大機械翻訳】

Duong Ngoc Phuong Anh; Almin Alexandre; Lemarie Leo; Kiran B Ravi

プレプリント

J-GLOBAL ID：202202216372173260 整理番号：22P0285273

Bayesアクティブ学習フレームワーク内のLiDARデータセット蒸留:データ増強効果の理解【JST・京大機械翻訳】

LiDAR dataset distillation within bayesian active learning framework: Understanding the effect of data augmentation

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (4件)： , , ,
資料名：
発行年： 2022年02月05日プレプリントサーバーでの情報更新日： 2022年02月05日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

自律運転(AD)データセットは,より良い深い表現学習を可能にするために,過去数年でサイズで次第に成長している。アクティブ学習(AL)は,最近,注釈コストとデータセットサイズの削減に取り組むために再び注目を集めている。ALは,特にLiDARからの点雲データに関して,ADデータセットに対して比較的調査されていない。本論文では,大きな意味-KITTIデータセットの1/4(1/4)に関するALベースデータセット蒸留の原則評価を行った。さらに,データ増強(DA)によるモデル性能における利得を,ALループの異なる部分集合を通して実証した。また,DAが有益なサンプルの選択を注釈付けする方法を示した。データ増強は,選択されたデータセット構成からわずか60%のサンプルを用いて完全なデータセット精度を達成することを観察した。これは,より速い訓練時間とその後のアノテーションコストの利得を提供する。【JST・京大機械翻訳】

, , , ,
, , , 【Automatic Indexing@JST】

分子・遺伝情報処理 , 人工知能

, , , , ,

前のページに戻る