Descrição
Grandes repositórios de formas 3D são inestimáveis para análise e modelagem baseadas em dados, especialmente quando anotados com informações semânticas como regiões salientes e partes funcionais. Este artigo propõe um método inovador de aprendizado ativo projetado para enriquecer conjuntos de dados geométricos massivos com anotações precisas de regiões semânticas. O objetivo principal é demarcar corretamente as regiões correspondentes em uma coleção de formas com intervenção manual mínima, dada uma etiqueta de região especificada pelo usuário.
Ler mais
Nosso framework ativo opera em um processo cíclico: anotação manual de regiões iniciais, propagação automática dessas anotações pelas formas restantes, verificação manual de anotações humanas e automáticas, e aprendizado a partir desses resultados de verificação para refinar o algoritmo de propagação automática. Uma função de utilidade unificada é empregada para modelar explicitamente o custo de tempo da entrada humana em todas as etapas. Isso permite a otimização conjunta de quais modelos anotar e quais verificar, com base em seu impacto previsto na eficiência humana.
O método demonstra que a incorporação da verificação de todas as rotulagens produzidas dentro deste objetivo unificado aprimora tanto a precisão quanto a eficiência do procedimento de aprendizado ativo. As etiquetas humanas são propagadas automaticamente através de uma rede de formas dinâmica usando um framework de campo aleatório condicional (CRF). Essa propagação aproveita similaridades globais de forma para forma, similaridades de características locais e correspondências ponto a ponto, alcançando maior precisão do que alternativas existentes ao combinar essas pistas diversas.
A validação em benchmarks existentes mostra que o framework é significativamente mais eficiente na utilização da entrada humana em comparação com técnicas anteriores. Validação adicional de sua eficiência e robustez é demonstrada pela anotação de um conjunto de dados de formas massivo, rotulando mais de 93.000 partes de formas em múltiplas classes de modelos, e fornecendo uma coleção de partes rotuladas que é mais de uma ordem de magnitude maior do que as existentes. O pipeline envolve a seleção de um conjunto de anotação, a obtenção de etiquetas humanas através de uma UI, a propagação automática dessas etiquetas, a consulta a usuários para verificar propagações confiantes e o uso dessas verificações para melhorar a técnica de propagação.
- CategoriaPlataformas de machine learning
- ImplantaçãoNuvem
- PlataformasWeb
Destaques de Framework Ativo Escalável para Anotação de Regiões
Aprendizado ativo para anotação de regiões semânticas em formas 3D
Propagação automática de anotações em coleções de formas
Função de utilidade unificada para otimização de tarefas de anotação e verificação
Framework de Campo Aleatório Condicional (CRF) para propagação de etiquetas
Integração de similaridades globais de formas, características locais e correspondências de pontos
Minimiza o esforço de anotação manual através de verificação eficiente
Melhorias demonstradas em eficiência e precisão em relação a métodos existentes
Escalável para conjuntos de dados massivos de formas 3D
Fornece rotulagem detalhada por ponto
Suporta múltiplas categorias de formas e classes de modelos
Facilita a criação de coleções de partes grandes e rotuladas
Primeiros passos com Framework Ativo Escalável para Anotação de Regiões
Acessar modelo: Obter o código do framework ou dados de pré-lançamento.
Integrar via API: Utilizar as ferramentas de propagação e anotação fornecidas.
Anotar regiões: Rotular manualmente regiões iniciais em formas 3D selecionadas.
Propagar etiquetas: Estender automaticamente as anotações para o restante do conjunto de dados.
Verificar anotações: Revisar e corrigir etiquetas propagadas automaticamente.
Aprender e refinar: Usar resultados de verificação para melhorar o algoritmo de propagação.
Analisar resultados: Utilizar o conjunto de dados enriquecido para análise baseada em dados.
Casos de uso de Framework Ativo Escalável para Anotação de Regiões
- Anotação de Modelos 3D
- Aprendizado Ativo para Geometria
- Enriquecimento de Conjuntos de Dados
- Análise de Formas
- Pesquisa em Computação Gráfica
- Robótica e Percepção
