目标驱动实例检测
该论文使用真实影像,聚焦日常室内环境下机器人视觉任务的模拟,构建新的公共数据集。该数据集可用于机器人视觉任务中的物体检测、主动视觉模拟和基于深度学习的强化学习下的下一步动作预测。在使用数据集的过程中,作者发现现有物体检测研究最大的问题是机器人视角对物体尺度,遮挡和方向的影响。
Feb, 2017
本文提出一种简单的方法,通过数据合成技术来生成大规模、带注释的数据集,从而避免因缺乏原始数据而导致检测模型性能下降的问题,并表明该方法的使用可以提高模型的性能和泛化能力。
Aug, 2017
本文提供了一种将目标检测器(如RetinaNet和FCOS)快速转换为跟踪器的方法,即使用元学习方法(MAML)进行离线训练和领域自适应,并展示了通过该方法构建的Retina-MAML和FCOS-MAML跟踪器在四个基准测试中的竞争力。
Apr, 2020
本研究提出了一种名为OSSID的框架,通过使用基于零样本学习的缓慢姿态估计器来自我监督训练快速检测算法,这使得估计器的过滤效果得到大幅改善,从而大大提高了姿态估计的速度。
Jan, 2022
这篇论文研究了多目标跟踪的测试时间域偏移问题,并引入了DARTH,一个全面的测试时间适应框架。通过引入检测一致性公式和新颖的补丁对比损失,我们成功适应了目标检测和实例外观表示,在多个领域转移情况下取得了显著性能提升。
Oct, 2023
本文提出了一种自我监督学习的雷达目标检测预训练框架RiCL,通过利用雷达的检测和时间信息,可以用较少的数据来预训练目标检测模型,实验结果表明我们的方法在范围-多普勒图中可以学习到物体的通用表示,并且只需要使用整个训练集数据20%的标注数据就能达到与监督学习相似的M-Average [email protected]。
Feb, 2024
我们设计了一种称为AuXFT的少样本IPOD策略,通过引入一种条件粗粒度到细粒度的少样本学习器,改善了现有的对象检测器的个性化效果,同时通过Translator模块生成辅助特征空间,实现了个性化而不降低检测器的性能。我们在三个公开数据集和一个自行设计的IPOD基准测试集上验证了AuXFT,在所有考虑的情境中都取得了显著的增益,实现了极佳的时间复杂度和性能的权衡:AuXFT在仅占推理时间的32%、VRAM的13%和模型尺寸的19%的情况下达到其上限的80%性能。
Jul, 2024
该研究解决了小型机器人在不同领域对象检测适应性不足的问题,提出了一个新的基准来评估目标检测系统的持续学习能力。研究中引入了Tiny Robotics Object Detection (TiROD)数据集,并对领先的实时目标检测算法结合不同的持续学习策略进行了评估,揭示了挑战和性能局限性,为小型机器人中的目标检测系统发展提供了重要指引。
Sep, 2024