适配度量：关于物体尺寸推理的鲁棒物体识别
机器人学
2020-10-28 v1 人工智能
计算机视觉与模式识别
机器学习
摘要
服务机器人可协助我们的诸多日常任务，尤其在那些我们介入不便或不安全的情况下：例如极端天气条件或需保持社交距离时。然而，在成功将复杂任务委托给机器人之前，我们需提升其理解动态真实世界环境的能力。在此背景下，提升机器人视觉智能的首要前提是构建鲁棒可靠的物体识别系统。尽管物体识别方案传统上基于机器学习方法，以基于知识的推理器增强已被证明可改善其性能。特别地，基于我们先前对视觉智能认知需求的研究，我们假设关于物体典型尺寸的知识可显著提升物体识别系统的准确率。为验证该假设，本文提出一种将物体尺寸知识整合进基于机器学习的架构的方法。我们在真实世界机器人场景中的实验表明，该组合方法相较当前最优机器学习方法确保了显著的性能提升。
引用
@article{arxiv.2010.14296,
title = {Fit to Measure: Reasoning about Sizes for Robust Object Recognition},
author = {Agnese Chiatti and Enrico Motta and Enrico Daga and Gianluca Bardaro},
journal= {arXiv preprint arXiv:2010.14296},
year = {2020}
}