你只需LUV：利用不可见紫外荧光指示物无监督收集标注图像
计算机视觉与模式识别
2022-03-15 v2 人工智能
机器学习
机器人学
摘要
大规模语义图像标注是机器人中基于学习的感知系统的重大挑战。当前方法常依赖人工标注者（成本高昂）或仿真数据（在视觉或物理上与真实数据存在差异）。本文提出Labels from UltraViolet（LUV），一种新颖框架，可在真实操作环境中无需人工标注地快速收集标注数据。LUV使用透明紫外荧光涂料与可编程紫外LED，采集场景在标准光照与紫外光照下的配对图像，通过颜色分割自主提取分割掩码与关键点。我们将LUV应用于一套多样的机器人感知任务，以评估其标注质量、灵活性与数据收集速率。结果表明，LUV在各任务上比人工标注者快180–2500倍。我们展示LUV在未涂漆测试图像上提供与人工标注一致的结果。在这些标签上训练的网络用于抚平并折叠皱巴巴的毛巾，成功率达83%，并在手术针姿态估计任务上相对于人工标签达到1.7mm位置误差。LUV低成本使其成为人工标注系统的轻量替代，一次性搭建成本300美元，相当于在Amazon Mechanical Turk上收集约200个语义分割标签的费用。代码、数据集、可视化与补充材料见 https://sites.google.com/berkeley.edu/luv
引用
@article{arxiv.2203.04566,
title = {All You Need is LUV: Unsupervised Collection of Labeled Images using Invisible UV Fluorescent Indicators},
author = {Brijen Thananjeyan and Justin Kerr and Huang Huang and Joseph E. Gonzalez and Ken Goldberg},
journal= {arXiv preprint arXiv:2203.04566},
year = {2022}
}