EasyLabel：用于创建机器人 RGB-D 数据集的半自动像素级物体标注工具
机器人学
2019-03-04 v2 计算机视觉与模式识别
摘要
开发用于识别真实世界中物体的机器人感知系统，需要依据预期运行域对计算机视觉算法进行仔细审查。这要求大量真值数据以严格评估算法性能。本文提出 EasyLabel 工具，用于轻松获取密集杂乱场景中物体像素级的高质量真值标注。在一个半自动过程中，复杂场景被逐步构建，EasyLabel 利用深度变化在每一步提取精确物体掩码。我们使用该工具生成了物体杂乱室内数据集（OCID），其捕捉了物体、背景、上下文、传感器到场景距离、视角角度和光照条件的多样设置。OCID 被用于现有物体分割方法的系统比较。该基线比较支持了像素级和物体级标注对于推动机器人视觉走向真实应用的必要性。这一见解揭示了 EasyLabel 和 OCID 对于更好理解机器人真实世界中所面临挑战的有用性。版权 20XX IEEE。允许个人使用本材料。所有其他用途必须获得 IEEE 许可，包括在当前或未来任何媒体中重印/再版本材料用于广告或促销目的、创建新的集体作品、转售或再分发至服务器或列表，或在本作品其他工作中复用任何受版权保护的组件。
引用
@article{arxiv.1902.01626,
title = {EasyLabel: A Semi-Automatic Pixel-wise Object Annotation Tool for Creating Robotic RGB-D Datasets},
author = {Markus Suchi and Timothy Patten and David Fischinger and Markus Vincze},
journal= {arXiv preprint arXiv:1902.01626},
year = {2019}
}
备注
7 pages, 8 figures, ICRA2019, Draft