DcnnGrasp：基于自适应正则化学习的精确抓取模式识别
计算机视觉与模式识别
2022-05-12 v1
摘要
抓取模式识别任务旨在根据视觉信息推导物体的适用抓取类型。当前最先进的方法忽略了物体类别信息，而该信息对抓取模式识别至关重要。本文提出一种新颖的双分支卷积神经网络（DcnnGrasp），以实现物体类别分类与抓取模式识别的联合学习。DcnnGrasp 将物体类别分类作为辅助任务，以提升抓取模式识别的有效性。同时，通过最大化后验推导出称为带自适应正则化的联合交叉熵的新损失函数，显著提升了模型性能。此外，基于该新损失函数，提出了一种训练策略以最大化两个任务的协同学习。实验在五个家用物体数据集上进行，包括 RGB-D Object 数据集、Hit-GPRec 数据集、Amsterdam library of object images (ALOI)、Columbia University Image Library (COIL-100) 和 MeganePro dataset 1。实验结果表明，所提方法在抓取模式识别上与多种最先进方法具有竞争力。具体而言，在 RGB-D Object 数据集上测试新物体时，我们的方法在全局准确率上甚至比次优方法高出近 15%。
引用
@article{arxiv.2205.05218,
title = {DcnnGrasp: Towards Accurate Grasp Pattern Recognition with Adaptive Regularizer Learning},
author = {Xiaoqin Zhang and Ziwei Huang and Jingjing Zheng and Shuo Wang and Xianta Jiang},
journal= {arXiv preprint arXiv:2205.05218},
year = {2022}
}