Description
Les vastes dépôts de formes 3D sont inestimables pour l'analyse et la modélisation basées sur les données, surtout lorsqu'ils sont annotés avec des informations sémantiques telles que les régions saillantes et les parties fonctionnelles. Cet article propose une méthode novatrice d'apprentissage actif conçue pour enrichir des ensembles de données géométriques massifs avec des annotations précises de régions sémantiques. L'objectif principal est de délimiter correctement les régions correspondantes dans une collection de formes avec une intervention manuelle minimale, étant donné une étiquette de région spécifiée par l'utilisateur.
Notre cadre actif fonctionne selon un processus cyclique : annotation manuelle des régions initiales, propagation automatique de ces annotations sur les formes restantes, vérification manuelle des annotations humaines et automatiques, et apprentissage à partir de ces résultats de vérification pour affiner l'algorithme de propagation automatique. Une fonction d'utilité unifiée est employée pour modéliser explicitement le coût temporel de l'entrée humaine à toutes les étapes. Cela permet l'optimisation conjointe des modèles à annoter et de ceux à vérifier, en fonction de leur impact prédit sur l'efficacité humaine.
La méthode démontre que l'intégration de la vérification de tous les étiquetages produits dans cet objectif unifié améliore à la fois la précision et l'efficacité de la procédure d'apprentissage actif. Les étiquettes humaines sont propagées automatiquement sur un réseau de formes dynamique à l'aide d'un cadre de champs aléatoires conditionnels (CRF). Cette propagation exploite les similarités globales forme-à-forme, les similarités de caractéristiques locales et les correspondances point-à-point, atteignant une précision plus élevée que les alternatives existantes en combinant ces indices divers.
La validation sur des benchmarks existants montre que le cadre est significativement plus efficace dans l'utilisation de l'entrée humaine par rapport aux techniques précédentes. Une validation supplémentaire de son efficacité et de sa robustesse est démontrée par l'annotation d'un ensemble de données de formes massives, étiquetant plus de 93 000 parties de formes dans plusieurs classes de modèles, et fournissant une collection de parties étiquetées plus d'un ordre de grandeur plus grande que les collections existantes. Le pipeline implique la sélection d'un ensemble d'annotations, l'obtention d'étiquettes humaines via une interface utilisateur, la propagation automatique de ces étiquettes, la requête aux utilisateurs pour vérifier les propagations confiantes, et l'utilisation de ces vérifications pour améliorer la technique de propagation.
Points forts de Cadre Actif Évolutif pour l'Annotation de Régions
Apprentissage actif pour l'annotation de régions sémantiques dans les formes 3D
Propagation automatique des annotations à travers les collections de formes
Fonction d'utilité unifiée pour l'optimisation des tâches d'annotation et de vérification
Cadre de champs aléatoires conditionnels (CRF) pour la propagation des étiquettes
Intégration des similarités globales de formes, des caractéristiques locales et des correspondances de points
Minimise l'effort d'annotation manuelle grâce à une vérification efficace
Améliorations démontrées en efficacité et précision par rapport aux méthodes existantes
Évolutif pour des ensembles de données de formes 3D massifs
Fournit un étiquetage détaillé par point
Prend en charge plusieurs catégories de formes et classes de modèles
Facilite la création de grandes collections de parties étiquetées
Premiers pas avec Cadre Actif Évolutif pour l'Annotation de Régions
Accéder au modèle : Obtenir le code du cadre ou les données en pré-release.
Intégrer via API : Utiliser les outils de propagation et d'annotation fournis.
Annoter les régions : Étiqueter manuellement les régions initiales dans des formes 3D sélectionnées.
Propager les étiquettes : Étendre automatiquement les annotations au reste de l'ensemble de données.
Vérifier les annotations : Examiner et corriger les étiquettes propagées automatiquement.
Apprendre et affiner : Utiliser les résultats de vérification pour améliorer l'algorithme de propagation.
Analyser les résultats : Exploiter l'ensemble de données enrichi pour l'analyse basée sur les données.
Cas d'utilisation de Cadre Actif Évolutif pour l'Annotation de Régions
- Annotation de Modèles 3D
- Apprentissage Actif pour la Géométrie
- Enrichissement d'Ensembles de Données
- Analyse de Formes
- Recherche en Graphisme par Ordinateur
- Robotique et Perception
