JwumaDatos de robótica e IA incorporada, donde la anotación LiDAR falla
· 3 min de lectura · specification, robotics
Esta traducción fue generada por una máquina y no ha sido revisada por un hablante nativo. Ante cualquier duda, la versión en inglés es la original. Avísanos si algo está mal y lo corregiremos. English
La anotación robótica cubre nubes de puntos, profundidad y movimiento a lo largo de secuencias. La consistencia entre fotogramas importa más que la precisión por fotograma, porque un objeto etiquetado ligeramente diferente de un fotograma a otro enseña a un modelo que el mundo parpadea. Especifique los requisitos de consistencia explícitamente, porque el QA por fotograma no detectará esto.
En resumen
- La consistencia entre fotogramas es la dimensión de calidad dominante.
- Las verificaciones de precisión por fotograma no detectan el desvío entre fotogramas.
- Las convenciones de manejo de oclusiones deben fijarse antes de comenzar la anotación.
- Los errores de calibración de sensores se confunden fácilmente con errores de anotación.
- Se requiere revisión a nivel de secuencia, no solo muestreo de fotogramas.
¿Estás definiendo algo así?
Preferimos hablar del problema antes que cotizar por volumen.
Ver capacidades¿Por qué domina la consistencia entre fotogramas?
Porque el modelo está aprendiendo que los objetos persisten. Si el mismo vehículo se encuadra ligeramente diferente en fotogramas consecutivos, la señal de entrenamiento indica que el vehículo cambió de forma, y el comportamiento de seguimiento se degrada de maneras que las métricas por fotograma no muestran.
Cada fotograma individual puede estar dentro de la tolerancia mientras que la secuencia en su conjunto es inutilizable. Este es el fallo característico de los conjuntos de datos de robótica anotados con hábitos de anotación de imágenes.
¿Cómo debería diferir el QA de la anotación de imágenes?
Revise secuencias, no fotogramas muestreados. Un muestreo aleatorio de fotogramas es casi ciego al desvío, porque el desvío es una propiedad de la relación entre fotogramas en lugar de cualquiera de ellos.
Pregunte específicamente cómo su proveedor revisa secuencias y cuál es su métrica de consistencia. Si la respuesta es precisión por fotograma, están midiendo lo incorrecto.
- Revisión a nivel de secuencia, no muestreo de fotogramas
- Una métrica de consistencia explícita entre fotogramas
- Convenciones de entrada y salida de oclusiones
- Manejo de objetos que salen y vuelven a entrar en la escena
¿Qué convenciones necesitan fijarse de antemano?
Principalmente la oclusión. Qué sucede cuando un objeto está parcialmente oculto, completamente oculto durante varios fotogramas, y luego reaparece. Si la caja se interpola a través de la oclusión o se elimina y se inicia un nuevo seguimiento.
Ambas respuestas son defendibles. Una respuesta no especificada significa que diferentes anotadores eligen de manera diferente dentro de un conjunto de datos, lo cual es peor que cualquiera de las dos opciones.
¿Cómo se separan los errores de sensores de los errores de anotación?
Verificando la calibración antes de culpar a los anotadores. La descalibración entre sensores produce aparentes errores de anotación que en realidad son anotaciones correctas de datos desalineados.
Un proveedor que no puede distinguir entre los dos seguirá re-anotando datos que nunca fueron el problema, y le cobrará por ello.
También preguntan
¿Qué es lo más importante en la calidad de la anotación LiDAR?
La consistencia entre fotogramas. Un objeto etiquetado ligeramente diferente entre fotogramas consecutivos enseña al modelo que los objetos cambian de forma, y las métricas de precisión por fotograma no lo detectan.
¿Cómo se debe verificar la calidad de la anotación robótica?
Revisando secuencias completas en lugar de muestrear fotogramas individuales, con una métrica de consistencia explícita entre fotogramas. El muestreo de fotogramas es casi ciego al desvío.
¿Cómo puedo distinguir los errores de calibración de sensores de los errores de anotación?
Verifique la calibración primero. La descalibración produce lo que parecen errores de anotación pero son anotaciones correctas de datos desalineados, y re-anotar no lo solucionará.