Beschreibung
Große Repositorien von 3D-Formen sind für datengesteuerte Analysen und Modellierung von unschätzbarem Wert, insbesondere wenn sie mit semantischen Informationen wie hervorstechenden Regionen und funktionalen Teilen annotiert sind. Diese Arbeit schlägt eine neuartige Methode des aktiven Lernens vor, die darauf abzielt, massive geometrische Datensätze mit genauen semantischen Regionenannotationen anzureichern. Das Kernziel ist es, entsprechende Regionen in einer Formsammlung mit minimaler manueller Intervention korrekt abzugrenzen, gegeben ein vom Benutzer spezifiziertes Regionslabel.
Weiterlesen
Unser aktives Framework arbeitet in einem zyklischen Prozess: manuelle Annotation von Anfangsregionen, automatische Propagation dieser Annotationen über die verbleibenden Formen, manuelle Verifizierung sowohl menschlicher als auch automatischer Annotationen und Lernen aus diesen Verifizierungsergebnissen zur Verfeinerung des automatischen Propagationsalgorithmus. Eine einheitliche Nutzenfunktion wird verwendet, um die Zeitkosten menschlicher Eingaben in allen Phasen explizit zu modellieren. Dies ermöglicht die gemeinsame Optimierung, welche Modelle annotiert und welche verifiziert werden sollen, basierend auf ihrem vorhergesagten Einfluss auf die menschliche Effizienz.
Die Methode zeigt, dass die Einbeziehung der Verifizierung aller erzeugten Labelings in dieses einheitliche Ziel sowohl die Genauigkeit als auch die Effizienz des aktiven Lernverfahrens verbessert. Menschliche Labels werden über ein dynamisches Formnetzwerk mithilfe eines Conditional Random Field (CRF)-Frameworks automatisch propagiert. Diese Propagation nutzt globale Form-zu-Form-Ähnlichkeiten, lokale Merkmalsähnlichkeiten und Punkt-zu-Punkt-Korrespondenzen und erzielt durch die Kombination dieser vielfältigen Hinweise eine höhere Genauigkeit als bestehende Alternativen.
Die Validierung an bestehenden Benchmarks zeigt, dass das Framework im Vergleich zu früheren Techniken deutlich effizienter bei der Nutzung menschlicher Eingaben ist. Weitere Validierungen seiner Effizienz und Robustheit werden durch die Annotation eines massiven Formdatensatzes demonstriert, bei der über 93.000 Formteile über mehrere Modellklassen hinweg beschriftet werden, und es wird eine beschriftete Teilesammlung bereitgestellt, die mehr als eine Größenordnung größer ist als bestehende. Die Pipeline umfasst die Auswahl eines Annotationssatzes, die Erfassung menschlicher Labels über eine Benutzeroberfläche, die automatische Propagation dieser Labels, die Abfrage von Benutzern zur Verifizierung zuversichtlicher Propagationen und die Verwendung dieser Verifizierungen zur Verbesserung der Propagationstechnik.
- KategorieMachine-Learning-Plattformen
- BereitstellungCloud
- PlattformenWeb
Skalierbares aktives Framework zur Regionenannotation im Überblick
Aktives Lernen für semantische Regionenannotation in 3D-Formen
Automatische Propagation von Annotationen über Formsammlungen
Einheitliche Nutzenfunktion zur Optimierung von Annotations- und Verifizierungsaufgaben
Conditional Random Field (CRF)-Framework zur Label-Propagation
Integration von globalen Formähnlichkeiten, lokalen Merkmalen und Punktkorrespondenzen
Minimiert manuellen Annotationsaufwand durch effiziente Verifizierung
Nachgewiesene Effizienz- und Genauigkeitsverbesserungen gegenüber bestehenden Methoden
Skalierbar für massive 3D-Formdatensätze
Bietet detaillierte Per-Point-Annotation
Unterstützt mehrere Formkategorien und Modellklassen
Ermöglicht die Erstellung großer, beschrifteter Teilesammlungen
Erste Schritte mit Skalierbares aktives Framework zur Regionenannotation
Modellzugriff: Beschaffen Sie den Framework-Code oder Vorabdaten.
Integration über API: Nutzen Sie die bereitgestellten Propagations- und Annotationstools.
Regionen annotieren: Manuelles Beschriften von Anfangsregionen in ausgewählten 3D-Formen.
Labels propagieren: Automatische Erweiterung von Annotationen auf den Rest des Datensatzes.
Annotationen verifizieren: Überprüfung und Korrektur von automatisch propagierten Labels.
Lernen und Verfeinern: Verwendung von Verifizierungsergebnissen zur Verbesserung des Propagationsalgorithmus.
Ergebnisse analysieren: Nutzung des angereicherten Datensatzes für datengesteuerte Analysen.
Skalierbares aktives Framework zur Regionenannotation's Anwendungsfälle
- 3D-Modellannotation
- Aktives Lernen für Geometrie
- Dataset-Anreicherung
- Formanalyse
- Forschung im Bereich Computergrafik
- Robotik und Wahrnehmung
