Core Concepts
データ希少性の指標としてのハイパーボリック半径の革新的な解釈と、それがエピステミック不確実性との関係を示す。
Abstract
ハイパーボリックアクティブラーニング最適化(HALO)は、セマンティックセグメンテーション用の新しいデータ取得戦略を提案する。この戦略は、予測エントロピーとハイパーボリック半径を組み合わせた取得スコアAに基づいており、地面真理ラベルを使用したオラクル実験では、境界からだけでなく非境界領域からもラベルを取得することが重要であることが示された。HALOは、予測エントロピーまたは半径だけを使用した場合よりも優れた性能を発揮し、これら2つの指標を組み合わせることでさらに向上した。また、Hyperbolic Feature Reweighting(HFR)は訓練安定性を向上させることが示された。さらに、GTAV→CityscapesおよびSYNTHIA→CityscapesでHALOが現在の最先端手法よりも優れていることが確認された。
Stats
HALOはGTAV→CSおよびSYNTHIA→CSで現在の最先端手法よりも優れている(+3.3% mIoU)。
HALOはCS→ACDCでもRIPUよりも+2.9% mIoU改善されている。
HALOは予測エントロピーまたは半径だけを使用した場合よりも74.5%まで性能が向上している。
HFRは訓練安定性を向上させており、Hyperbolicモデルの収束に役立っている。
Quotes
"HALO sets a new state-of-the-art in active learning for semantic segmentation under domain shift."
"Understanding the role of the prediction entropy."
"The combination of the radius with a complementary information signal such as prediction entropy offers a comprehensive estimate of epistemic uncertainty."