Описание
Большие репозитории 3D-форм бесценны для анализа и моделирования на основе данных, особенно при аннотировании семантической информацией, такой как значимые регионы и функциональные части. В данной статье предлагается новый метод активного обучения, предназначенный для обогащения массивных геометрических наборов данных точными аннотациями семантических регионов. Основная цель — корректно разграничить соответствующие регионы в коллекции форм с минимальным ручным вмешательством, учитывая заданную пользователем метку региона.
Читать далее
Наша активная структура работает в циклическом процессе: ручное аннотирование начальных регионов, автоматическое распространение этих аннотаций на оставшиеся формы, ручная проверка как человеческих, так и автоматических аннотаций, и обучение на основе результатов проверки для уточнения алгоритма автоматического распространения. Единая функция полезности используется для явного моделирования временных затрат на ввод данных человеком на всех этапах. Это позволяет совместно оптимизировать выбор моделей для аннотирования и для проверки, исходя из их прогнозируемого влияния на эффективность работы человека.
Метод демонстрирует, что включение проверки всех сгенерированных маркировок в эту единую цель повышает как точность, так и эффективность процедуры активного обучения. Человеческие метки автоматически распространяются по динамической сети форм с использованием структуры условных случайных полей (CRF). Это распространение использует глобальные сходства форм, локальные сходства признаков и попарные соответствия, достигая более высокой точности, чем существующие альтернативы, путем объединения этих разнообразных сигналов.
Валидация на существующих эталонных наборах данных показывает, что структура значительно более эффективна в использовании человеческого ввода по сравнению с предыдущими методами. Дальнейшая валидация ее эффективности и надежности демонстрируется путем аннотирования массивного набора данных форм, маркировки более 93 000 частей форм в нескольких классах моделей и предоставления маркированной коллекции частей, которая более чем на порядок превосходит существующие. Конвейер включает выбор набора аннотаций, получение человеческих меток через пользовательский интерфейс, автоматическое распространение этих меток, запрос пользователям на проверку уверенных распространений и использование этих проверок для улучшения техники распространения.
- КатегорияПлатформы машинного обучения
- РазвёртываниеОблако
- ПлатформыВеб
Главное о Масштабируемая активная структура для аннотирования регионов
Активное обучение для семантического аннотирования регионов в 3D-формах
Автоматическое распространение аннотаций по коллекциям форм
Единая функция полезности для оптимизации задач аннотирования и проверки
Структура условных случайных полей (CRF) для распространения меток
Интеграция глобальных сходств форм, локальных признаков и попарных соответствий
Минимизация ручных усилий по аннотированию за счет эффективной проверки
Демонстрируемое повышение эффективности и точности по сравнению с существующими методами
Масштабируемость для массивных наборов 3D-форм
Детальная маркировка каждой точки
Поддержка нескольких категорий форм и классов моделей
Облегчение создания больших, маркированных коллекций частей
Начало работы с Масштабируемая активная структура для аннотирования регионов
Доступ к модели: Получите код структуры или предварительную версию данных.
Интеграция через API: Используйте предоставленные инструменты распространения и аннотирования.
Аннотирование регионов: Вручную маркируйте начальные регионы в выбранных 3D-формах.
Распространение меток: Автоматически расширяйте аннотации на остальную часть набора данных.
Проверка аннотаций: Просматривайте и исправляйте автоматически распространенные метки.
Обучение и уточнение: Используйте результаты проверки для улучшения алгоритма распространения.
Анализ результатов: Используйте обогащенный набор данных для анализа на основе данных.
Варианты использования Масштабируемая активная структура для аннотирования регионов
- Аннотирование 3D-моделей
- Активное обучение для геометрии
- Обогащение наборов данных
- Анализ форм
- Исследования в области компьютерной графики
- Робототехника и восприятие
