一种用于抓取位置检测与少样本分类的多任务学习框架
机器人学
2020-03-13 v1
摘要
拣选机器人的深度学习模型需要大量标注图像是一个大问题。由于工厂中产品或零件的物体形状经常改变，重新训练模型的操作成本变得非常昂贵。减少训练拣选机器人模型所需标注图像的数量十分重要。在本研究中，我们提出一种利用抓取位置检测模型中间层特征向量进行少样本分类的多任务学习框架。在制造领域，拣选机器人常需要形状分类与抓取位置检测的多任务。已有的多任务学习研究包含利用为另一任务学习的深度神经网络（DNN）的特征向量来学习某一任务的方法。然而，用于检测抓取位置的 DNN 在提取用于形状分类的层特征向量时存在两个问题：（1）由于抓取位置检测 DNN 的每一层都被输入图像中的所有物体激活，因此有必要针对每个抓取位置细化特征；（2）有必要选择一层以提取适合形状分类的特征。为解决这些问题，我们提出一种针对每个抓取位置细化特征并从 DNN 最优层选择特征的方法。随后我们使用这些来自抓取位置的特征评估形状分类精度。我们的结果证实，即便输入图像包含多个物体且可用于训练的图像数量很少，我们所提框架仍能对物体形状进行分类。
引用
@article{arxiv.2003.05624,
title = {A Multi-task Learning Framework for Grasping-Position Detection and Few-Shot Classification},
author = {Yasuto Yokota and Kanata Suzuki and Yuzi Kanazawa and Tomoyoshi Takebayashi},
journal= {arXiv preprint arXiv:2003.05624},
year = {2020}
}
备注
7 pages