JwumaDane dotyczące robotyki i ucieleśnionej AI, gdzie adnotacja LiDAR zawodzi
· 2 min czytania · specification, robotics
To tłumaczenie zostało wykonane maszynowo i nie zostało sprawdzone przez native speakera. W razie wątpliwości obowiązuje wersja angielska. Napisz nam, jeśli coś brzmi błędnie, a poprawimy. English
Adnotacja robotyki obejmuje chmury punktów, głębokość i ruch w sekwencjach. Spójność między klatkami jest ważniejsza niż dokładność pojedynczej klatki, ponieważ obiekt oznaczony nieco inaczej w kolejnych klatkach uczy model, że świat migocze. Określ wymagania dotyczące spójności wyraźnie, ponieważ kontrola jakości pojedynczej klatki tego nie wychwyci.
W skrócie
- Spójność między klatkami jest dominującym wymiarem jakości.
- Kontrole dokładności pojedynczej klatki nie wykrywają dryfu między klatkami.
- Konwencje dotyczące obsługi zasłonięć muszą być ustalone przed rozpoczęciem adnotacji.
- Błędy kalibracji czujników są łatwo mylone z błędami adnotacji.
- Wymagana jest recenzja na poziomie sekwencji, a nie tylko próbkowanie klatek.
Planujesz podobny projekt?
Wolimy rozmawiać o problemie niż wyceniać sam wolumen.
Zobacz nasze możliwościDlaczego spójność między klatkami dominuje?
Ponieważ model uczy się, że obiekty są trwałe. Jeśli ten sam pojazd jest oznaczony nieco inaczej w kolejnych klatkach, sygnał szkoleniowy mówi, że pojazd zmienił kształt, a zachowanie śledzenia pogarsza się w sposób, którego metryki pojedynczej klatki nie pokazują.
Każda pojedyncza klatka może mieścić się w tolerancji, podczas gdy cała sekwencja jest nieużyteczna. To charakterystyczna porażka zbiorów danych robotyki adnotowanych nawykami adnotacji obrazów.
Jak QA powinno różnić się od adnotacji obrazów?
Przeglądaj sekwencje, a nie próbkowane klatki. Losowa próbka klatek jest niemal ślepa na dryf, ponieważ dryf jest właściwością relacji między klatkami, a nie żadnej z nich.
Zapytaj konkretnie, jak twój dostawca przegląda sekwencje i jaka jest ich metryka spójności. Jeśli odpowiedzią jest dokładność pojedynczej klatki, mierzą niewłaściwą rzecz.
- Recenzja na poziomie sekwencji, a nie próbkowanie klatek
- Wyraźna metryka spójności między klatkami
- Konwencje dotyczące wejścia i wyjścia z zasłonięcia
- Obsługa obiektów opuszczających i ponownie wchodzących w scenę
Jakie konwencje trzeba ustalić z góry?
Przede wszystkim zasłonięcia. Co się dzieje, gdy obiekt jest częściowo ukryty, całkowicie ukryty przez kilka klatek, a następnie ponownie się pojawia. Czy pole jest interpolowane przez zasłonięcie, czy też jest usuwane i rozpoczynany jest nowy ślad.
Obie odpowiedzi są do obrony. Nieokreślona odpowiedź oznacza, że różni adnotatorzy wybierają różnie w jednym zbiorze danych, co jest gorsze niż każda z opcji.
Jak oddzielić błędy czujników od błędów adnotacji?
Sprawdzając kalibrację przed obwinianiem adnotatorów. Niekalibracja między czujnikami powoduje pozorne błędy adnotacji, które są w rzeczywistości poprawnymi adnotacjami nieprawidłowo wyrównanych danych.
Dostawca, który nie potrafi odróżnić tych dwóch, będzie ciągle ponownie adnotował dane, które nigdy nie były problemem, i obciąży cię za to.
Inne pytania
Co jest najważniejsze w jakości adnotacji LiDAR?
Spójność między klatkami. Obiekt oznaczony nieco inaczej między kolejnymi klatkami uczy model, że obiekty zmieniają kształt, a metryki dokładności pojedynczej klatki tego nie wykrywają.
Jak powinna być sprawdzana jakość adnotacji robotyki?
Poprzez przeglądanie całych sekwencji zamiast próbkowania pojedynczych klatek, z wyraźną metryką spójności między klatkami. Próbkowanie klatek jest niemal ślepe na dryf.
Jak odróżnić błędy kalibracji czujników od błędów adnotacji?
Najpierw sprawdź kalibrację. Niekalibracja powoduje coś, co wygląda jak błędy adnotacji, ale są to poprawne adnotacje nieprawidłowo wyrównanych danych, a ponowne adnotowanie tego nie naprawi.