DARE：基于多通道CNN的AUV监管潜水员动作识别系统
计算机视觉与模式识别
2020-11-17 v1 人工智能
人机交互
机器人学
摘要
随着传感、控制与机器人技术的发展，自主水下航行器（AUVs）已成为人类潜水员执行各类水下作业的有用助手。在当前的实践中，潜水员需要携带昂贵、笨重且防水的键盘或基于操纵杆的控制器来监管和控制AUV。因此，基于潜水员动作的监督正变得日益流行，因其方便、易用、快捷且具成本效益。然而，水下存在的各种环境、潜水员与传感不确定性使得训练一个鲁棒且可靠的潜水员动作识别系统具有挑战性。对此，本文提出DARE，一个基于Cognitive Autonomous Driving Buddy（CADDY）数据集训练的潜水员动作识别系统，该数据集包含多个不同且真实的水下环境中潜水员手势与姿态图像的丰富数据。DARE基于立体图像对融合，采用多通道卷积神经网络并辅以系统训练树拓扑深度神经网络分类器以提升分类性能。DARE速度快，仅需几毫秒即可分类一对立体图像，从而适合实时水下实现。DARE与若干现有分类器架构进行了对比评估，结果表明在整体及各类别准确率与F1分数方面，DARE均超越了所有分类器在潜水员动作识别上的表现。
引用
@article{arxiv.2011.07713,
title = {DARE: AI-based Diver Action Recognition System using Multi-Channel CNNs for AUV Supervision},
author = {Jing Yang and James P. Wilson and Shalabh Gupta},
journal= {arXiv preprint arXiv:2011.07713},
year = {2020}
}