Deskripsi
Repositori besar bentuk 3D sangat berharga untuk analisis dan pemodelan berbasis data, terutama ketika dianotasi dengan informasi semantik seperti wilayah yang menonjol dan bagian fungsional. Makalah ini mengusulkan metode pembelajaran aktif baru yang dirancang untuk memperkaya kumpulan data geometris masif dengan anotasi wilayah semantik yang akurat. Tujuan utamanya adalah untuk secara tepat membatasi wilayah yang sesuai dalam koleksi bentuk dengan campur tangan manual minimal, mengingat label wilayah yang ditentukan pengguna.
Kerangka kerja aktif kami beroperasi dalam proses siklus: anotasi manual wilayah awal, propagasi otomatis anotasi ini ke seluruh bentuk yang tersisa, verifikasi manual anotasi manusia dan otomatis, dan pembelajaran dari hasil verifikasi ini untuk menyempurnakan algoritma propagasi otomatis. Fungsi utilitas terpadu digunakan untuk secara eksplisit memodelkan biaya waktu masukan manusia di semua tahapan. Hal ini memungkinkan optimasi gabungan model mana yang akan dianotasi dan mana yang akan diverifikasi, berdasarkan dampak yang diprediksi pada efisiensi manusia.
Metode ini menunjukkan bahwa memasukkan verifikasi semua pelabelan yang dihasilkan dalam tujuan terpadu ini meningkatkan akurasi dan efisiensi prosedur pembelajaran aktif. Label manusia secara otomatis disebarkan ke seluruh jaringan bentuk dinamis menggunakan kerangka kerja medan acak bersyarat (CRF). Propagasi ini memanfaatkan kesamaan bentuk-ke-bentuk global, kesamaan fitur lokal, dan korespondensi titik-ke-titik, mencapai akurasi yang lebih tinggi daripada alternatif yang ada dengan menggabungkan isyarat yang beragam ini.
Validasi pada tolok ukur yang ada menunjukkan bahwa kerangka kerja ini secara signifikan lebih efisien dalam memanfaatkan masukan manusia dibandingkan dengan teknik sebelumnya. Validasi lebih lanjut tentang efisiensi dan ketahanannya ditunjukkan dengan menganotasi kumpulan data bentuk masif, memberi label lebih dari 93.000 bagian bentuk di berbagai kelas model, dan menyediakan koleksi bagian berlabel yang lebih dari satu urutan besarnya lebih besar daripada yang sudah ada. Alur kerja melibatkan pemilihan kumpulan anotasi, perolehan label manusia melalui UI, propagasi otomatis label ini, meminta pengguna untuk memverifikasi propagasi yang yakin, dan menggunakan verifikasi ini untuk meningkatkan teknik propagasi.
Sorotan Kerangka Kerja Aktif yang Dapat Diskalakan untuk Anotasi Wilayah
Pembelajaran aktif untuk anotasi wilayah semantik dalam bentuk 3D
Propagasi anotasi otomatis di seluruh koleksi bentuk
Fungsi utilitas terpadu untuk mengoptimalkan tugas anotasi dan verifikasi
Kerangka kerja Medan Acak Bersyarat (CRF) untuk propagasi label
Integrasi kesamaan bentuk global, fitur lokal, dan korespondensi titik
Meminimalkan upaya anotasi manual melalui verifikasi yang efisien
Peningkatan efisiensi dan akurasi yang ditunjukkan dibandingkan metode yang ada
Dapat diskalakan ke kumpulan data bentuk 3D masif
Menyediakan pelabelan per-titik yang terperinci
Mendukung berbagai kategori bentuk dan kelas model
Memfasilitasi pembuatan koleksi bagian berlabel berskala besar
Memulai dengan Kerangka Kerja Aktif yang Dapat Diskalakan untuk Anotasi Wilayah
Akses model: Dapatkan kode kerangka kerja atau data pra-rilis.
Integrasikan melalui API: Manfaatkan alat propagasi dan anotasi yang disediakan.
Anotasi wilayah: Beri label wilayah awal secara manual pada bentuk 3D yang dipilih.
Sebarkan label: Perluas anotasi secara otomatis ke seluruh kumpulan data.
Verifikasi anotasi: Tinjau dan koreksi label yang disebarkan secara otomatis.
Belajar dan sempurnakan: Gunakan hasil verifikasi untuk meningkatkan algoritma propagasi.
Analisis hasil: Manfaatkan kumpulan data yang diperkaya untuk analisis berbasis data.
Kasus Penggunaan Kerangka Kerja Aktif yang Dapat Diskalakan untuk Anotasi Wilayah
- Anotasi Model 3D
- Pembelajaran Aktif untuk Geometri
- Pengayaan Kumpulan Data
- Analisis Bentuk
- Penelitian Grafika Komputer
- Robotika dan Persepsi
