Descripción
Los grandes repositorios de formas 3D son invaluables para el análisis y modelado basados en datos, especialmente cuando están anotados con información semántica como regiones salientes y partes funcionales. Este artículo propone un método novedoso de aprendizaje activo diseñado para enriquecer conjuntos de datos geométricos masivos con anotaciones precisas de regiones semánticas. El objetivo principal es delimitar correctamente las regiones correspondientes en una colección de formas con una intervención manual mínima, dada una etiqueta de región especificada por el usuario.
Leer más
Nuestro marco activo opera en un proceso cíclico: anotación manual de regiones iniciales, propagación automática de estas anotaciones a través de las formas restantes, verificación manual de las anotaciones humanas y automáticas, y aprendizaje a partir de estos resultados de verificación para refinar el algoritmo de propagación automática. Se emplea una función de utilidad unificada para modelar explícitamente el costo de tiempo de la entrada humana en todas las etapas. Esto permite la optimización conjunta de qué modelos anotar y cuáles verificar, basándose en su impacto predicho en la eficiencia humana.
El método demuestra que la incorporación de la verificación de todos los etiquetados producidos dentro de este objetivo unificado mejora tanto la precisión como la eficiencia del procedimiento de aprendizaje activo. Las etiquetas humanas se propagan automáticamente a través de una red de formas dinámica utilizando un marco de campos aleatorios condicionales (CRF). Esta propagación aprovecha las similitudes globales de forma a forma, las similitudes de características locales y las correspondencias punto a punto, logrando una mayor precisión que las alternativas existentes al combinar estas diversas señales.
La validación en puntos de referencia existentes muestra que el marco es significativamente más eficiente en la utilización de la entrada humana en comparación con técnicas anteriores. Una validación adicional de su eficiencia y robustez se demuestra al anotar un conjunto de datos de formas masivo, etiquetando más de 93.000 partes de formas en múltiples clases de modelos, y proporcionando una colección de partes etiquetadas que es más de un orden de magnitud mayor que las existentes. El pipeline implica la selección de un conjunto de anotación, la obtención de etiquetas humanas a través de una interfaz de usuario, la propagación automática de estas etiquetas, la consulta a los usuarios para verificar propagaciones seguras y el uso de estas verificaciones para mejorar la técnica de propagación.
- CategoríaPlataformas de aprendizaje automático
- ImplementaciónNube
- PlataformasWeb
Aspectos destacados de Marco de Aprendizaje Activo Escalable para Anotación de Regiones
Aprendizaje activo para anotación de regiones semánticas en formas 3D
Propagación automática de anotaciones a través de colecciones de formas
Función de utilidad unificada para optimizar tareas de anotación y verificación
Marco de campos aleatorios condicionales (CRF) para propagación de etiquetas
Integración de similitudes globales de formas, características locales y correspondencias punto a punto
Minimiza el esfuerzo de anotación manual a través de una verificación eficiente
Mejoras demostradas en eficiencia y precisión sobre métodos existentes
Escalable a conjuntos de datos masivos de formas 3D
Proporciona etiquetado detallado por punto
Soporta múltiples categorías de formas y clases de modelos
Facilita la creación de colecciones de partes grandes y etiquetadas
Primeros pasos con Marco de Aprendizaje Activo Escalable para Anotación de Regiones
Acceder al modelo: Obtener el código del marco o datos de pre-lanzamiento.
Integrar vía API: Utilizar las herramientas de propagación y anotación proporcionadas.
Anotar regiones: Etiquetar manualmente regiones iniciales en formas 3D seleccionadas.
Propagar etiquetas: Extender automáticamente las anotaciones al resto del conjunto de datos.
Verificar anotaciones: Revisar y corregir las etiquetas propagadas automáticamente.
Aprender y refinar: Utilizar los resultados de verificación para mejorar el algoritmo de propagación.
Analizar resultados: Aprovechar el conjunto de datos enriquecido para análisis basados en datos.
Casos de uso de Marco de Aprendizaje Activo Escalable para Anotación de Regiones
- Anotación de Modelos 3D
- Aprendizaje Activo para Geometría
- Enriquecimiento de Conjuntos de Datos
- Análisis de Formas
- Investigación en Gráficos por Computadora
- Robótica y Percepción
