Deep Active Learning for Autonomous Perception

Tradisjonell veiledet læring krever betydelige mengder med annotert treningsdata for å oppnå tilfredsstillende resultater. Ettersom autonome persepsjonssystemer samler inn data kontinuerlig blir annoteringsprosessen meget kostbar og tidkrevende. Aktiv læring er en spesialisert semi-veiledet lærings-strategi som gjør det mulig for en maskinlæringsmodell å oppnå høy ytelse med mindre treningsdata, og minimerer dermed kostnadene for manuell annotering. I denne oppgaven utforsker vi aktiv læring innenfor autonom persepsjon, og foreslår et nytt dypt aktivt lærings rammeverk for objektdeteksjon og instans-basert segmentering som omfatter ulike aktive lærings strategier. Vi gjennomgår fremtredende metoder innen aktiv læring, studerer deres ytelse i de sistnevnte datasyn oppgavene og utfører flere eksperimenter ved å bruke avanserte R-CNN-baserte modeller for datasett i det selvkjørende domenet. Målet med aktiv læring er å la en maskinlæringsmodell velge sine egne treningsdata som hjelper den i å yte bedre. Ved hjelp av en spørrestrategi kan modellen måle informativiteten til et ikke-annotert datapunkt basert på dens prediksjonsusikkerhet. Den underliggende teorien er at ved å legge til informative datapunkter som ikke er representert i eksisterende treningsdata, vil modellen forbedre seg betydelig. For et stort sett med treningsdata og en godt trent modell kan disse datapunktene representere svært uvanlige scenarier (f.eks.. en hest som går midt på en motorvei). Våre empiriske eksperimenter på en rekke datasett viser at aktiv læring reduserer mengden treningsdata som kreves. Vi observerer at tidlig utforskning med instanse-rike treningssett fører til god ytelse (dvs. aktiv læringsstrategier som bruker sum som aggregeringsteknikk), og at falske positive prediksjoner kan ha en negativ innvirkning hvis de ikke blir behandlet på riktig måte, spesielt på aktiv læringsstrategier som bruker gjennomsnitt som aggregeringsteknikk. Videre utfører vi en kvalitativ evaluering av autonome kjøredata samlet inn fra Trondheim, og illustrerer at aktiv læring kan være til hjelp med å velge mer komplekse scenarier for annotering. Oppmuntrende funn indikerer at aktiv læring kan være fordelaktig i en maskinlærings prosess for autonom persepsjon for å minimere annoterings innsatsen. Vårt arbeid kan sees på som et viktig første skritt for å bidra til det aktive læringsdomenet