54、采样点时兼顾机器与群体的策略探究

采样点时兼顾机器与群体的策略探究

1. 主动学习的主要组件

主动学习（AL）的主要组件包括所采用的分类器、检测最具信息性实例的采样策略以及所采用的预言器。

1.1 所采用的分类器

• 基于特征的随机森林（RF）分类器 ：为实现基于特征的 RF 分类器，从相关文献中选取了手工制作的几何和辐射特征，并在工作中使用。这些特征针对每个点，考虑 1、2、3 和 5 米的球形点邻域进行计算，实现了多尺度方法。由于 RF 分类器的逐点功能，在 AL 场景中使用它很直接。可以将选定的点从 U 转移到 T，并将 T 中的点作为单个实例使用，因为在预处理（即特征计算）中已经充分考虑了点邻域。
• 基于体素的稀疏卷积神经网络（SCNN） ：与使用 PointNet++ 不同，采用了基于体素的 SCNN，并将其应用于 ALS 点云。训练的网络稍浅（4 个 U - Net 级别），在使用少量标记点进行训练时更稳定。在深度学习中，对手工制作特征的需求逐渐过时，但在 AL 中并非总是有利，因为在每个迭代步骤中，需要根据新添加的训练点重新学习或至少细化特征。为了减少训练工作量，在每个 AL 迭代步骤中，通过采用前一步的值来初始化网络权重和学习率，从而实现更快的收敛。每个步骤建立一个由 5 个不同权重初始化的模型组成的集成。
• 验证数据集 ：为了动态调整学习率和提前停止训练过程，需要一个验证数据集。在 AL 中，排除训练数据集中预定义的区域作为验证集是不合理的，因为训练集中标记点的空间分布事先未知。因此，在每个迭代步骤中，从 T 中随机选取每个类