DoUnseen:面向机器人抓取的无微调类自适应未见物体目标检测

我们如何对数量可变、且每个具体物体各自代表一个独立类别的物体进行分割?为使问题更贴近现实,我们如何能够即时添加和删除类别而无需重训练或微调?这是机器人应用中的情形,其中不存在物体的数据集,或应用包含数千物体(如物流)而无法训练单一模型学习所有物体。当前多数面向机器人抓取的目标分割研究聚焦于类级物体分割(如盒、杯、瓶)、闭集(数据集中的特定物体,例如YCB数据集)或基于深度学习的模板匹配。本工作中,我们关注开集场景,其中类别数量未知、可变且对物体类型无先验知识。我们将每个具体物体视为其独立的类别。我们的目标是开发一种无需微调、且仅需拍摄物体少量图像即可将任意物体作为类别添加的目标检测器。我们的核心思想是将分割流程拆分为两步,结合级联的未见物体分割网络与类自适应分类器。我们在未见数据集上评估了我们的类自适应目标检测器,并与那些数据集上训练过的Mask R-CNN进行比较。结果表明,性能依环境设置与所处理物体从实用到不适用不等。代码见于我们的DoUnseen库仓库。