作为基于潜在嵌入的任务适应的少样本关键点检测
机器人学
2021-12-14 v2 计算机视觉与模式识别
摘要
稠密目标跟踪，即以像素级精度定位特定目标点的能力，是一项重要的计算机视觉任务，在机器人领域有众多下游应用。现有方法要么在单次前向传播中计算稠密关键点嵌入，意味着模型被训练为一次性跟踪所有点，要么将其全部容量分配给稀疏的预定义点集，以通用性换取准确性。本文中，我们基于以下观察探索一种中间方案：在给定时刻相关的点通常相对较少，例如目标对象上的抓取点。我们的主要贡献是一种受少样本任务适应启发的新颖架构，其允许稀疏风格网络以指示待跟踪点的关键点嵌入为条件。我们的核心发现是，该方法提供了稠密嵌入模型的通用性，同时准确性显著接近稀疏关键点方法。我们给出了阐明这种容量-准确性权衡的结果，并借助真实机器人拾放任务展示了对新对象实例（类内）的零样本迁移能力。
引用
@article{arxiv.2112.04910,
title = {Few-Shot Keypoint Detection as Task Adaptation via Latent Embeddings},
author = {Mel Vecerik and Jackie Kay and Raia Hadsell and Lourdes Agapito and Jon Scholz},
journal= {arXiv preprint arXiv:2112.04910},
year = {2021}
}
备注
Supplementary material available at: https://sites.google.com/view/2021-tack