基于一次学习的轮廓基元提取网络用于无对象视觉测量
计算机视觉与模式识别
2021-03-26 v2
摘要
基于图像轮廓的视觉测量广泛应用于机器人操作和工业自动化。实现可便捷复用于各类对象的无对象视觉系统颇具吸引力。我们提出了基于一次学习框架的轮廓基元提取网络（CPieNet）。首先，CPieNet 的特点在于其输出的轮廓基元（CPI）——位于指定对象上的指定规则轮廓部分——为视觉测量提供了基本几何信息。其次，CPieNet 具备一次学习能力，利用一个支持样本辅助感知新对象。为实现更低成本的训练，我们从无配对的在线公开图像生成支持-查询样本对，覆盖广泛的物体类别。为获得用于精确测量的单像素宽轮廓，设计了基于 Gabor 滤波器的非极大值抑制以细化原始轮廓。针对新 CPI 提取任务，我们使用在线公开图像构建了 Object Contour Primitives 数据集，并使用安装在机器人上的相机构建了 Robotic Object Contour Measurement 数据集。所提方法的有效性通过一系列实验得到验证。
引用
@article{arxiv.2010.03325,
title = {Contour Primitive of Interest Extraction Network Based on One-Shot Learning for Object-Agnostic Vision Measurement},
author = {Fangbo Qin and Jie Qin and Siyu Huang and De Xu},
journal= {arXiv preprint arXiv:2010.03325},
year = {2021}
}
备注
Accepted by IEEE ICRA 2021