May, 2020

物理交互自监督迁移学习用于实例分割

PDF
TL;DR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%。
instance segmentationtransfer learningself-supervised learningroboticsoptical flow
发现论文，激发创造
  • 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

  • 机器人监督学习目标分割

    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。

    Apr, 2019

  • 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

  • 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

  • 用少数标注实现机器人实例分割技术来抓取物品

    该研究提出了一种将半监督学习与通过互动学习相结合的新方法，通过观察场景变化学习和利用视觉一致性，从而实现对物体的操作。在两个基准测试中验证了该方法，取得了卓越的性能。

    Jul, 2024

  • 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

  • 机器人环境下看不见物体实例分割

    为了使机器人能够在非结构化环境中起作用，该研究提出了一种名为 UOIS-Net 的新颖方法，该方法利用合成 RGB 和深度数据分别用于识别表面上未见过的物体，并且可以训练机器人对它们进行抓取。通过提供大量的实验结果，本研究证明了该方法优于同类方法。

    Jul, 2020

  • 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

  • 深度神经网络自学目标定位

    介绍了一种新方法，利用深度卷积神经网络对整张图片进行训练，以在不额外进行人工监督的情况下定位图像中的物体，并将该思想嵌入凝聚聚类技术中，产生自学习定位假设。实验证明，使用我们的方法自动生成的注释可用于训练物体探测器，产生接近于手动注释的边界框的识别结果。

    Sep, 2014

  • 与人类标注者进行大规模交互式物体分割

    本文提出了一种基于深度交互式分割模型的交互式对象分割方法，并利用真实人类注释数据集发布了一个实例分割数据集，同时还提供了一个自动评估模型以更好地保证注释质量。

    Mar, 2019