为室内机器人定制目标检测器
机器人学
2019-02-28 v1
摘要
基于卷积神经网络（CNNs）的目标检测模型在大规模标注数据集上训练时表现出令人印象深刻的性能。虽然在此类数据集上训练的通用目标检测器在输入数据类似于用户照片的应用中表现尚可，但检测器在小物体上表现糟糕，尤其是训练数据有限或从非常见视角成像的物体。此外，特定房间中会有许多标准目标检测器遗漏的物体，令持续在同一室内环境运行的机器人受挫。本文描述了一个用于快速创建定制目标检测器的系统。数据由通过交互界面遥操作的四旋翼飞行器收集。一旦选定物体，四旋翼飞行器自主地从多个视角拍摄该物体照片，以收集数据用于训练DUNet（密集上采样网络，Dense Upscaled Network），这是我们提出的在有限数据下从零学习定制目标检测器的模型。我们的实验比较了在室内机器人领域和标准数据集上，使用DUNet从零学习模型与微调现有最先进目标检测器的性能。
引用
@article{arxiv.1902.10671,
title = {Customizing Object Detectors for Indoor Robots},
author = {Saif Alabachi and Gita Sukthankar and Rahul Sukthankar},
journal= {arXiv preprint arXiv:1902.10671},
year = {2019}
}
备注
ICRA 2019