面向实时开放集场景理解的特征真实神经融合
计算机视觉与模式识别
2022-10-07 v1 机器学习
机器人学
摘要
机器人通用场景理解需要灵活的语义表示，以便能够在训练时未知的新颖物体和结构被识别、分割与分组。我们提出一种算法，在实时 SLAM 过程中将标准预训练网络的一般性学习特征融合进一种高效的 3D 几何神经场表示。融合后的 3D 特征图继承了神经场几何表示的一致性。这意味着在运行时进行极少量人机交互标注，即可以支持开放集的方式对物体甚至物体部件进行鲁棒且准确的分割。
引用
@article{arxiv.2210.03043,
title = {Feature-Realistic Neural Fusion for Real-Time, Open Set Scene Understanding},
author = {Kirill Mazur and Edgar Sucar and Andrew J. Davison},
journal= {arXiv preprint arXiv:2210.03043},
year = {2022}
}
备注
For our project page, see https://makezur.github.io/FeatureRealisticFusion/