Apr, 2019

机器人监督学习目标分割

PDF
TL;DR本文提出了一种基于深度学习的机器人物体分割方法，通过解决两个子问题：机械臂与物体与背景的分割和物体与机械臂的分割，实现了无需人工标注数据即可训练网络的自我识别能力，实验证明该方法优于现有最优的自适应手持物体分割算法，并通过测试数据表明使用包含手持物体的自动标注图像的训练集可以提高物体在环境中的分割性能。
roboticsdeep learningsegmentationkinematicsself-recognition
发现论文，激发创造
  • 物理交互自监督迁移学习用于实例分割

    该论文提出了自监督学习的迁移学习方法，通过机器人与环境互动自主地推动未知物体并使用光学流来创建自我标记的训练数据以实现实例分割。最终，他们提出的 SelfDeepMask 模型在挑战性场景下对 DeepMask 模型的平均精度提高了 9.5%。

    May, 2020

  • 通过把握进行自监督实例分割

    提出一种自我监督的方法，利用机器人的抓取交互收集实例分割模型的分割监督，该方法可以在没有昂贵的人工注释的情况下，通过对成千上万的抓取交互进行分割来帮助机器人从图像中剪切和粘贴出物体，并显示其对于实例分割任务的重要性。

    May, 2023

  • RGB-D 目标检测与语义分割用于杂乱环境中的自主操作

    通过利用深度融合技术和深度学习的物体检测和语义分割算法，我们成功地解决了在复杂场景中感知目标物体的问题，并在 Amazon Picking Challenge2016 和紧急响应场景数据集上进行了验证。

    Oct, 2018

  • 基于分离和抓取方法的自监督交互式物体分割

    该研究提出了一种机器人学习方法，利用在未见过新物体时的交互作用，与避免手动标记数据集的费时过程，收集每个物体的训练标签进行微调来提高分段模型的性能。该系统实现了在模拟杂乱场景中 70% 的分离成功率，而对于玩具积木、模拟 YCB 对象和真实世界的新物体，交互式分割的平均精度分别达到了 87.8%、73.9% 和 69.3%，超过了几个基线。

    Jul, 2022

  • 通过自监督学习从无标签 RGB-D 视频中学习物体分割

    该论文提出了一个自超视自学的物体分割系统，其训练过程利用了点云的超分割结果，利用图匹配算法和点云配准结合检测出 3D 假标签上的再现物体模式并生成 2D 掩码。实验证明，该方法在真实和合成的视频数据集上的表现优于现有的无监督方法。

    Apr, 2023

  • 通过交互学习实例分割

    本研究提出了一种利用自我监督方式以及与环境互动的方法，建立一个学习将视觉观察分割成不同对象的主动代理。通过对 50,000 次以上与物体交互的学习，该代理的分割模型能够推广到新的物体和背景，并通过提供视频、代码以及与机器人的互动数据集来测试所学分割模型的效用。

    Jun, 2018

  • 通过交互式分割和少样本学习，由非专家远程教授任务导向的抓取区域

    本论文提出了一个新的两步框架，使机器人在非结构化环境中学会抓取并能够从远程的非专家演示中学习，通过分割的方式进行操作，在进行少量示范的情况下估计给定任务的未见场景所需的抓取区域，并有效地允许非专家进行新的抓取策略的远程教学。

    Mar, 2023

  • 机器人操控的自监督 6D 物体位姿估计

    这篇论文介绍了一个机器人系统，可以通过自主学习的方式进行物体位姿估计，并通过环境中的物体抓取或推动的交互方式持续收集数据并完善其位姿估计模块，从而提高对象分割和 6D 姿态估计的性能。

    Sep, 2019

  • DoUnseen：面向机器人抓取的零样本物体检测

    本研究提出了一种零样本物体检测器，适用于开放集合，且不需预先知道物体类型，可以在抓取物体前几张图像后即可加入物体作为新的类别，并通过将未见物体分割网络级联零样本分类器的方式来打破分割管道的步骤。

    Apr, 2023

  • 使用师生适应技术进行人机交互（HRI）环境下的视频目标分割

    提出了一种基于人机交互的教师 - 学生学习范例来教授机器人关于其周围环境的视频对象分割任务，同时介绍了一种精心设计的包含不同对象、变换及操作任务的数据集。最终实验结果显示该方法的效果优于现有的最优算法，并且在 mIoU 指标上比基准效果提高了 46.1% 和 25.9%。

    Oct, 2018