Aug, 2020

基于不确定性估计的抓握检测网络用于基于置信度驱动的半监督域适应

PDF
TL;DR该论文提出了一种以置信度驱动的半监督学习网络，结合了位于物体抓取领域的域适应技术，使用特征金字塔网络 (FPN) 提供一种预测不确定性估计机制，并利用该信息加强关注置信度较高的未标记数据的一致性损失，避免了学生模型从一致性损失中学习到错误 / 有害信息，从而提高了学习进度和模型准确性。经过实验，该方法在 Cornell grasping 数据集上取得了高的成功率，并在使用有限数据进行领域适应时比原始平均教师 (mean teacher) 和直接训练的评估损失性能提高了不少于 10% 的性能，特别是在避免过拟合和模型发散时。
domain adaptationsemi-supervised learninggrasping detectionconfidence estimationfeature pyramid network
发现论文，激发创造
  • 野外环境中的领域自适应手部关键点和像素定位

    本文提出了一种依靠两个网络的预测结合来估计目标图像可信度并进行自我训练的方法，以提高手部关键点回归和分割性能在不同成像条件下的适应性。

    Mar, 2022

  • 基于概率教师的领域自适应目标检测学习

    本文提出了一种名为 Probabilistic Teacher（PT）的简单但有效的框架，通过从逐渐演变的 “老师” 中捕捉未标记目标数据的不确定性来引导学生的学习，从而优化了无监督域适应目标检测任务的性能并提出了 Entropy Focal Loss（EFL）以进一步加强不确定性引导的自训练方法，结果表明 PT 在多个基准测试中均超过以往工作的表现并取得了最新的最佳结果。

    Jun, 2022

  • 基于内部和外部不确定性的特征聚合模型，用于半监督组织病理图像分割

    提出了一种新的基于不确定性正则化的半监督学习方法，利用像素级标注的有限性和图像预测不确定性来改进分割模型，通过多尺度和多阶段特征融合实现了更好的性能。

    Mar, 2024

  • Grasp Proposal Networks: 机器人抓取视觉学习的端到端解决方案

    本文提出了一种新颖的端到端 “Grasp Proposal Network (GPNet)”，基于离散但规则的 3D 网格角上的 “抓握中心锚点”，用于预测从单个和未知相机视图观察到的物体的多样化 6-DOF 抓握，这有助于实现更好的仿真结果和更好的实际测试结果。

    Sep, 2020

  • 深度基于半监督的三维手势姿态估计的可持续性训练的拓展

    本文提出了一种半监督深度学习方法，使用无标签样本并通过仿射变换鼓励估计等变性，同时将学生网络的无标签样本伪标签提供给教师网络，以显著减少对标记训练数据的依赖，并且在测试时间仅使用学生网络的情况下，大量改善了之前半监督方法的表现。

    Mar, 2023

  • 医学图像分割的切比雪夫置信度引导无源领域自适应框架

    在医学成像场景中，为了解决领域偏移问题导致伪标签准确度下降的限制，我们提出了一个 Chebyshev 置信度引导的无源域适应框架，准确评估伪标签的可靠性并生成自我改进的伪标签用于自我训练，通过引入直接去噪和原型去噪两种置信度引导的去噪方法，以及结合置信度加权模块的教师 - 学生联合训练方案，有效防止噪声传播提高伪标签的准确度。在多样化的领域场景中进行的大量实验证实了我们提出框架的有效性，并证明其优于现有最先进的无源域适应方法。

    Oct, 2023

  • 基于置信度估计的不确定性感知狄利克雷网络故障预测

    本研究介绍了基于不确定性的深度狄利克雷神经网络可靠地评估模型置信度和预测错误，提出新的准则基于置信度分数匹配来学习正确预测和失败的真实类别概率，并在多个图像分类任务上取得了优于传统网络最大类概率的预测真实类别概率的实验结果。

    Oct, 2020

  • 在学习的深度网络中以概率推理的方式规划多指抓取

    本研究提出了一种利用深度神经网络模型进行多指握持规划的新方法，使用卷积神经网络预测物体的视觉信息和握持配置的抓握成功率，使用反向传播算法进行梯度上升优化，直接规划高质量的多指握持配置空间，验证了该方法在实际机器人上的应用。

    Apr, 2018

  • MetaGrasp: 基于场景感知解释网络的数据高效抓取

    本文提出了一个针对数据收集到模型推理整个过程的新型夹持训练系统，通过抗脊夹持规则来获取有效的夹持样本，并设计了一个效益解释器网络来预测像素级的夹持效益地图，该模型只在模拟环境中训练，结果表明当模型面对全新的物体和背景时，它能做出很好的夹取决策，夹取成功率为 93%。

    Feb, 2019

  • 基于 RGB 图像的机器人抓取检测的模块化抗噪声深度学习网络

    通过使用单个 RGB 图像进行模块化学习网络来检测抓取姿势，本研究提出了一种有趣的方法，适用于配备平板夹具的机器人，不仅识别可抓取的物体，还将先前的抓取分析与语义分割融合，从而提高抓取检测精度，并且在处理模糊和嘈杂的视觉情况时表现出弹性，通过实际实验和评估证明了我们提出的方法的可行性和准确性。

    Oct, 2023