面向工业机器人的全卷积单样本目标分割
机器人学
2019-03-05 v1
摘要
稳健且高效地识别与定位新物体,对于仓库或智能工厂中的机器人抓取与操作至关重要。深度卷积神经网络(DCNNs)在既定的图像数据集上取得了目标检测与分割的最优性能。然而,在动态工业场景(如仓库与自主生产)中应用DCNNs仍具挑战。当 tasked with 检测未经训练的物体时,DCNNs迅速失效。鉴于使用最新数据重新训练耗时,DCNNs无法满足未来工厂(FoF)对快速开发与生产周期的要求。为此,我们提出一种新颖的单样本目标分割框架,采用全卷积孪生网络架构,基于单张原型图像检测先前未知物体。我们转向多任务学习以缩短训练时间并提升分类精度。此外,我们引入一种以弱监督方式自动聚类所学特征空间表示的新方法。我们在模拟FoF需求的RoboCup@Work数据集上测试所提框架。结果显示,训练后的网络平均从单张示例图像中正确识别73%的未见物体。正确识别物体的预估成功拾取率为87.53%。最后,多任务学习使收敛时间最多降低33%,并提升精度2.99%。
引用
@article{arxiv.1903.00683,
title = {Fully Convolutional One-Shot Object Segmentation for Industrial Robotics},
author = {Benjamin Schnieders and Shan Luo and Gregory Palmer and Karl Tuyls},
journal= {arXiv preprint arXiv:1903.00683},
year = {2019}
}
备注
International Conference on Autonomous Agents and Multiagent Systems (AAMAS 2019), 9 pages