Dec, 2019

无监督声学特征学习的自监督视觉地形分类

PDF
TL;DR提出了一种利用无监督感知分类器自我监督外感图像的像素级语义分割的新型地形分类框架，通过学习极少标注图像的弱监督训练，能够在未知城市环境中为移动机器人提供更安全和高效的导航。
mobile robotsterrain classificationunsupervised learningproprioceptive sensorsemantic segmentation
发现论文，激发创造
  • 利用本体感知数据提升具有不确定性的空间探索机器人的地形分类

    在空间探索中，地形分类是一项重要任务，其中无法预测的环境难以仅依靠外部感知传感器（如视觉）进行观测。通过引入神经网络分类器，可以实现高性能，但由于缺乏透明性，这使得它们在任务规划中做出重要决策时不可靠。本文提出了一种带有不确定性量化的神经网络地形分类方法。我们通过在时间序列可用体系结构中使用只有本体感知数据作为输入的蒙特卡洛 Dropout、DropConnect 和 Flipout，使神经网络得以提高。我们使用超带状贝叶斯优化进行高效的超参数优化，以找到值得信赖的地形分类的最佳模型。

    Jul, 2024

  • 利用立体声音进行自监督的移动车辆跟踪

    该论文提出了一种利用未标记的音频 - 视觉数据进行物体定位的系统，使用自监督方法来实现跨模态的语音定位，其在声学车辆跟踪数据集上表现卓越并可用于光照条件不佳的车辆视觉定位。

    Oct, 2019

  • 自监督地形表示学习从无约束机器人经验

    自我监督的地形表示学习（STERLING）是一种无需额外约束数据收集的机器人地形感知方法，通过非对比表示学习实现多模态自我监督目标，为机器人导航提供相关的地形表示，该方法在机器人在野外环境的视觉导航任务中与全监督方法相当，优于其他先进方法并表现出对真实世界坎坷条件的鲁棒性。

    Sep, 2023

  • 仅利用自我监督学习越野路面可行性

    本文提出了一种基于自我监督的图像学习方法来训练自主车辆在各种条件下准确地遍历地形，通过生成自我监督的地形穿越标签和使用一元分类算法来识别能够安全穿越的地形，结合视觉表征的自我监督方法，在各种驾驶环境和感知条件下进行全面评估。

    May, 2023

  • 自监督学习引导火星地形图像的科学相关分类

    该篇论文呈现了一种自主方法，用于在火星探测器图像中聚类沉积纹理，以便创建详细的地形类别数据集和地质分析，取得了较高的准确性和地质效验，为火星地形分类的快速识别提供了有前途的方法，并为实现生产大规模、细粒度和公开可用的火星地形识别数据集的长期目标开辟了道路。

    Apr, 2022

  • 基于音视频对应的自监督目标检测

    本文提出了一种基于音视频数据的无监督学习目标检测器的方法，采用自监督框架和对比目标优化设计，实现了不用监督方法到非常好的检测效果，还可以泛化扩展到包括乐器、飞机和猫等生活常见物体的检测。

    Apr, 2021

  • 基于地势信息的自主学习：利用有限注释增强 LiDAR 数据中的建筑物提取

    使用地面高程模型和自我监督学习的方法，在建筑物分割地图中利用少量标签数据取得了较好的效果，对于在遥感领域中提取特征具有高效性和有效性。

    Nov, 2023

  • 使用稀疏视觉观察学习在不平坦地形上的感知运动

    使用稀疏的视觉观察来实现知觉运动，并提出一种学习框架以有效地学习反馈控制策略，可在人类中心的环境中在道路上行驶，越过不同的障碍，包括台阶、斜坡、间隙和楼梯。

    Sep, 2021

  • 基于自监督学习的骑行舒适感感知视觉导航

    该研究提出利用自我感知技术来显式地建模乘坐舒适度，在自助移动机器人导航任务中实现对地形难度的预测，从而提供残疾人使用过程中的安全和乘坐舒适度。

    Jul, 2022

  • 使用主动感知运动策略学习物理特性

    基于图像颜色的地形物理特性知识可以帮助制定高效的机器人行动计划，但是与图像分类不同，人类对图像区块进行物理特性标注不直观。为了克服没有标注数据的困难，我们提出一种方法，通过自监督标记在真实世界遍历中由机器人拍摄的图像，结合在仿真中训练的物理属性估计器。为了确保准确标记，我们引入了主动感知驱动策略（ASMP），它们被训练用于探索提高物理参数估计准确性的行动行为。我们展示了使用少量真实世界遍历数据训练的视觉系统准确预测物理参数。该训练好的系统即使使用由固定在四足机器人行走地面上的相机采集的数据进行训练，也能够稳健地在被无人机拍摄的顶部图像上工作。

    Nov, 2023