限られたアノテーションとナビゲーション予算下での物体検出のための身体化能動学習

本論文は、未知環境において物体検出器を適応させる問題を扱う。ロボットのナビゲーション時間とアノテーション予算の両方の制約下で、検出器の失敗事例を明示的にターゲットとする情報量の高いロボット軌道と画像サンプルを選択する手法を提案する。これは、各ラウンドでエージェントが限られたナビゲーション予算で候補サンプルを収集し、限られたアノテーション予算で最も関連性の高い画像を選択する、embodied variant of batch active learning と位置付けられる。空間的一貫性（spatial consistency）を利用して、ラベルに一貫性のない画像を特定し、それが視覚モデルの改善に最も寄与するとする。

従来の active learning は、静止した画像データセットを対象とすることが多く、ロボットのナビゲーションコストを考慮しない。また、embodied active learning の研究は存在するが、物体検出に特化し、ナビゲーションとアノテーションの両方の予算制約を同時に扱い、空間的不整合性を利用して教師なしで情報量の高いサンプルを選択する点が新しい。外部からの監視（external supervision）なしで、エージェントの軌道計画とサンプル選択を導くことができる。

手法の核は、バッチ能動学習の枠組みをembodied設定に拡張し、各ラウンドでナビゲーション予算内でロボットを移動させて画像を収集し、アノテーション予算内で最も情報量の高い画像を選択して検出器を再学習する点。特に、空間的一貫性（spatial consistency）を利用し、同じ物体が異なる視点から見たときにラベルが一貫しない画像（inconsistent labels）を特定する。これにより、検出器の失敗事例を効率的に発見し、外部ラベルなしで関連画像を選択する。

AI2-THORシミュレータの大規模シーンと、Boston Dynamics SpotロボットとYOLOv5を用いた実世界セットアップで評価した。複数のベースラインと比較し、空間的不整合性がエージェントの誘導と関連画像の選択に有効であることを示し、同じ予算条件下で適応プロセス終了時の検出精度が最も高いことを実証した。

要旨からは、空間的不整合性の定義や、それが常に検出器の改善に寄与するとは限らない可能性、また、シミュレーションと実世界のギャップ、計算コスト、他の能動学習戦略との比較などについての議論は明示されていない。また、提案手法が特定の物体検出器（YOLOv5）に依存する可能性や、ナビゲーション予算の配分方法の詳細も不明。

要旨で参照されている関連研究として、embodied active learning、batch active learning、spatial consistencyを利用した物体検出、AI2-THOR、Boston Dynamics Spot、YOLOv5などが挙げられる。次に読むべき論文としては、これらの分野の基盤となる研究、例えば、能動学習のサーベイや、embodied AIにおける能動的知覚の研究、物体検出のドメイン適応に関する論文が考えられるが、具体的なタイトルは要旨からは不明。