机器狗的垃圾分割和属性分析
该研究介绍了 TrashCan 数据集,用于开发机器学习算法进行水下垃圾和海洋垃圾检测,训练也给出了两种分类方法,并通过 Mask R-CNN 和 Faster R-CNN 算法给出了初步结果。
Jul, 2020
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
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
本研究探讨了在各种环境(GPUs、输入大小等)下,最成功的语义场景分割模型在推断速度方面的行为,以比较研究现有的最先进的分割模型并选择最符合机器人应用要求的模型。
Aug, 2021
通过提出快速而稳定的地面分割、鲁棒的带地面分割的异常值鲁棒注册、层次化多场景 SLAM 以及基于实例感知的静态地图构建,实现了一个长期稳定的机器人建图系统。
May, 2024
通过使用 SynthDA 模块、Equiangular Tight Frame (ETF) 分类器以及噪声校正等方法,我们的研究论文在四个不同的领域适应性基准测试上都取得了显著的改进。
Aug, 2023
研究了 11 只狗的可视注视及其对不同物体的视觉注意力,使用头戴式眼动仪和训练好的 MaskRCNN 模型对数据进行了分析,结果显示狗更多地注视公交车、植物、人行道和建筑设备。
Nov, 2023