标准目标分割模型是否足以用于学习可供性分割？
机器学习
2021-07-06 v1 计算机视觉与模式识别
摘要
可供性（affordance）是环境为个体提供的行动可能性。普通物体（锤子、刀）通常具有多种可供性（抓取、敲击、切割），检测这些可供性可使人工智能体理解其在环境中的可能性，在机器人学中有明显应用。针对监督式可供性分割的已有基准和最优预测模型通常是流行目标分割模型（如 Mask R-CNN）的改进版。我们观察到，从理论上讲，这些流行的目标分割方法应足以检测可供性掩码。因此我们提出一个问题：是否有必要为学习可供性问题量身定制新架构？我们表明，将开箱即用的 Mask R-CNN 应用于可供性分割问题优于当前最优方法。我们得出结论：监督式可供性分割问题包含于目标分割问题中，并主张更好的可供性学习基准应包含动作能力。
引用
@article{arxiv.2107.02095,
title = {Are standard Object Segmentation models sufficient for Learning Affordance Segmentation?},
author = {Hugo Caselles-Dupré and Michael Garcia-Ortiz and David Filliat},
journal= {arXiv preprint arXiv:2107.02095},
year = {2021}
}