从手持物体到无约束物体检测：一种弱监督在线学习方法
计算机视觉与模式识别
2022-03-29 v2
摘要
基于深度学习(DL)的物体检测方法以计算昂贵的训练和大量数据标注为代价取得了卓越性能。机器人的具身性可通过与人自然交互展示感兴趣物体（手持）来自动获取标注训练数据，从而减轻这一负担。然而，仅从此类数据学习可能引入偏差（即所谓的域偏移），并阻碍对新任务的适应。虽然弱监督学习(WSL)在计算机视觉通用领域提供了一套成熟的应对这些问题的技术，但其在具挑战性的机器人领域的采用仍处于初步阶段。本工作中，我们面向在师生设定下训练以检测手持物体的机器人场景。目标是在有限人类标注预算下，通过让机器人探索环境来提升不同设定下的检测性能。我们比较了检测流水线中多种WSL技术，以在不牺牲精度的前提下降低模型重训练成本，并提出了针对所考虑机器人场景的解决方案。我们表明，机器人可通过与人类教师交互（主动学习）或自主监督（半监督学习）来改进对新域的适应。我们将策略集成到在线检测方法中，以少量标签实现高效的模型更新能力。我们在域偏移下的具挑战性机器人物体检测任务上对所提方法进行了实验基准测试。
引用
@article{arxiv.2012.14345,
title = {From Handheld to Unconstrained Object Detection: a Weakly-supervised On-line Learning Approach},
author = {Elisa Maiettini and Andrea Maracani and Raffaello Camoriano and Giulia Pasquale and Vadim Tikhanoff and Lorenzo Rosasco and Lorenzo Natale},
journal= {arXiv preprint arXiv:2012.14345},
year = {2022}
}