説明
3D 形状の大規模なリポジトリは、データ駆動型の分析やモデリングにとって非常に貴重で、特に顕著な領域や機能的なパーツといったセマンティックな情報が付与されているときに価値が高まります。本論文は、大規模な幾何データセットに正確なセマンティック領域アノテーションを付与するために設計された、新しいアクティブラーニング手法を提案します。中心的な目標は、ユーザーが指定した領域ラベルをもとに、形状コレクション内の対応する領域を、最小限の手作業で正しく区分することです。
続きを読む
私たちのアクティブフレームワークは、循環的なプロセスで動作します。初期領域の手動アノテーション、残りの形状へのこれらのアノテーションの自動伝播、人手と自動の両方のアノテーションの手動検証、そして検証結果からの学習による自動伝播アルゴリズムの改善です。すべての段階で人間の入力にかかる時間コストを明示的にモデル化するために、統一的なユーティリティ関数を採用しています。これにより、人間の作業効率への予測される影響に基づき、どのモデルにアノテーションを付け、どのモデルを検証するかを同時に最適化できます。
この手法は、この統一された目的関数の中で、生成されたすべてのラベリングの検証を組み込むことで、アクティブラーニング手順の精度と効率がともに向上することを示します。人間が付けたラベルは、条件付き確率場(CRF)フレームワークを用いて、動的な形状ネットワーク全体に自動的に伝播されます。この伝播では、形状全体の類似性、局所的な特徴の類似性、点同士の対応関係を活用し、これらの多様な手がかりを組み合わせることで、既存の代替手法より高い精度を達成します。
既存のベンチマークでの検証により、このフレームワークは従来の手法よりも人間の入力をはるかに効率的に活用できることが示されています。さらに、大規模な形状データセットへのアノテーションを通じて、効率性と頑健性が検証されています。複数のモデルクラスにわたって 93,000 を超える形状パーツにラベルを付け、既存のものより桁違いに大きいラベル付きパーツコレクションを提供しています。パイプラインは、アノテーションセットの選択、UI を通じた人間のラベルの取得、これらのラベルの自動伝播、確信度の高い伝播結果をユーザーに問い合わせて検証すること、そしてこれらの検証結果を使って伝播手法を改善することから成ります。
- カテゴリー機械学習プラットフォーム
- デプロイクラウド
- プラットフォームWeb
Scalable Active Framework for Region Annotationのハイライト
3D形状のセマンティック領域アノテーションのためのアクティブラーニング
形状コレクション全体へのアノテーションの自動伝播
アノテーションと検証タスクの最適化のための統合ユーティリティ関数
ラベル伝播のための条件付き確率場(CRF)フレームワーク
グローバル形状類似性、ローカル特徴、点対応の統合
効率的な検証による手動アノテーション労力の最小化
既存手法に対する効率と精度の向上を実証
大規模3D形状データセットへのスケーラビリティ
詳細な点ごとのラベリングを提供
複数の形状カテゴリとモデルクラスをサポート
大規模なラベル付きパーツコレクションの作成を促進
Scalable Active Framework for Region Annotationをはじめる
モデルへのアクセス: フレームワークコードまたはプレリリースデータを取得します。
API経由での統合: 提供された伝播およびアノテーションツールを利用します。
領域のアノテーション: 選択した3D形状の初期領域を手動でラベル付けします。
ラベルの伝播: データセットの残りの部分にアノテーションを自動的に拡張します。
アノテーションの検証: 自動的に伝播されたラベルを確認および修正します。
学習と改善: 検証結果を使用して伝播アルゴリズムを改善します。
結果の分析: 強化されたデータセットをデータ駆動型分析に活用します。
Scalable Active Framework for Region Annotationの使用例
- 3Dモデルアノテーション
- ジオメトリのためのアクティブラーニング
- データセットの強化
- 形状分析
- コンピュータグラフィックス研究
- ロボティクスと知覚







