一种通过集成自训练自监督物体位姿估计器的纠正与认证方法
计算机视觉与模式识别
2023-05-15 v2 机器学习
机器人学
摘要
现实世界的机器人应用需要能够在多种场景下可靠工作的物体位姿估计方法。现代基于学习的方法需要大量标注数据集，并且往往在非训练域上表现不佳。我们的第一个贡献是开发一个鲁棒的纠正模块，利用深度信息纠正位姿估计，从而使现有方法能更好地泛化到新测试域；该纠正模块作用于语义关键点（但也适用于其他位姿估计器）且完全可微。我们的第二个贡献是一种以自监督方式同时训练多个位姿估计器的集成自训练方法。我们的集成自训练架构使用鲁棒纠正器细化每个位姿估计器的输出；然后，利用可观测的正确性证书评估输出质量；最后，利用可观测为正确的输出进行进一步训练，无需外部监督。作为额外贡献，我们提出对基于回归的关键点检测架构的小改进，以增强其对离群点的鲁棒性；这些改进包括鲁棒池化方案和鲁棒质心计算。在 YCBV 和 TLESS 数据集上的实验表明，所提出的集成自训练在不需真实数据 3D 标注的情况下优于全监督基线。
引用
@article{arxiv.2302.06019,
title = {A Correct-and-Certify Approach to Self-Supervise Object Pose Estimators via Ensemble Self-Training},
author = {Jingnan Shi and Rajat Talak and Dominic Maggio and Luca Carlone},
journal= {arXiv preprint arXiv:2302.06019},
year = {2023}
}