AffordanceNet：一种用于物体可供性检测的端到端深度学习方法
计算机视觉与模式识别
2018-03-06 v3 机器人学
摘要
我们提出 AffordanceNet，这是一种新的深度学习方法，能够从 RGB 图像中同时检测多个物体及其可供性。我们的 AffordanceNet 具有两个分支：一个物体检测分支用于定位和分类物体，另一个可供性检测分支用于将物体中的每个像素分配给其最可能的可供性标签。所提出的框架采用三个关键组件来有效处理可供性掩码中的多类问题：一系列反卷积层、一种稳健的尺寸调整策略以及一个多任务损失函数。在公开数据集上的实验结果表明，我们的 AffordanceNet 以显著优势超越了近期最先进的方法，同时其端到端架构允许以每张图像 150 毫秒的速度进行推理。这使得我们的 AffordanceNet 非常适合实时机器人应用。此外，我们展示了 AffordanceNet 在不同测试环境和真实机器人应用中的有效性。源代码可在 https://github.com/nqanh/affordance-net 获取。
引用
@article{arxiv.1709.07326,
title = {AffordanceNet: An End-to-End Deep Learning Approach for Object Affordance Detection},
author = {Thanh-Toan Do and Anh Nguyen and Ian Reid},
journal= {arXiv preprint arXiv:1709.07326},
year = {2018}
}
备注
In ICRA 2018