描述
大型 3D 形状存储库对于数据驱动的分析和建模非常宝贵,特别是当它们带有语义信息(如显著区域和功能部件)进行标注时。本文提出了一种新颖的主动学习方法,旨在用准确的语义区域标注来丰富海量几何数据集。核心目标是在给定用户指定的区域标签的情况下,以最少的人工干预来正确划分形状集合中的相应区域。
阅读更多
我们的主动框架以周期性过程运行:手动标注初始区域,将这些标注自动传播到其余形状,手动验证人工和自动标注,并从这些验证结果中学习以改进自动传播算法。采用统一的效用函数来显式建模所有阶段的人工输入时间成本。这使得能够根据其对人类效率的预测影响,联合优化要标注和要验证的模型。
该方法表明,在此统一目标中包含对所有生成标签的验证,可以提高主动学习程序的准确性和效率。使用条件随机场 (CRF) 框架,通过动态形状网络自动传播人工标签。这种传播利用了全局形状到形状的相似性、局部特征相似性和点到点对应关系,通过结合这些多样化的线索,实现了比现有替代方法更高的准确性。
在现有基准上的验证表明,与以前的技术相比,该框架在利用人工输入方面效率显著更高。通过标注一个海量形状数据集,对多个模型类别中的 93,000 多个形状部件进行标注,并提供比现有数据集大一个数量级的标注部件集合,进一步验证了其效率和鲁棒性。该流程包括选择标注集,通过 UI 获取人工标签,自动传播这些标签,查询用户以验证置信传播,并使用这些验证来改进传播技术。
- 类别机器学习平台
- 部署云端
- 平台网页版
可扩展的区域标注主动学习框架亮点
用于 3D 形状语义区域标注的主动学习
跨形状集合的标注自动传播
用于优化标注和验证任务的统一效用函数
用于标签传播的条件随机场 (CRF) 框架
整合全局形状相似性、局部特征和点对应关系
通过高效验证最大限度地减少手动标注工作量
与现有方法相比,效率和准确性均得到证明
可扩展至海量 3D 形状数据集
提供详细的逐点标注
支持多种形状类别和模型类别
促进创建大型、已标注的部件集合
可扩展的区域标注主动学习框架入门
访问模型:获取框架代码或预发布数据。
通过 API 集成:利用提供的传播和标注工具。
标注区域:手动标注选定的 3D 形状中的初始区域。
传播标签:自动将标注扩展到数据集的其余部分。
验证标注:审查和更正自动传播的标签。
学习和优化:使用验证结果改进传播算法。
分析结果:利用丰富的数据集进行数据驱动的分析。
可扩展的区域标注主动学习框架的使用案例
- 3D 模型标注
- 几何学主动学习
- 数据集丰富
- 形状分析
- 计算机图形学研究
- 机器人和感知







