利用几何先验知识改进基于 CNN 的平面物体检测
机器人学
2021-04-27 v2
摘要
在本文中，我们关注如下问题：移动机器人如何利用经济实惠的 RGB-D 传感器进行物体检测？尽管当前基于 CNN 的物体检测器已取得令人印象深刻的成果，但在移动机器人上实际使用时存在三个主要缺陷：1) 收集和标注大规模训练集困难且耗时。2) 通常需要较长的训练时间。3) 基于 CNN 的物体检测在位置预测方面表现出明显弱点。我们提出了一种改进平面物体检测的方法，其在将图像送入 CNN 检测器模块（通常为 YOLO 或 MASK RCNN 这类基于 CNN 的检测器）之前，利用几何信息对图像进行校正以补偿透视畸变。通过提前处理透视畸变，我们消除了 CNN 检测器学习该畸变的必要。实验表明该方法显著提升了检测性能。此外，它有效减少了所需训练图像的数量。除提出新颖的检测框架外，我们还发布了一个用于危险标志检测的 RGBD 数据集和源代码。据我们所知，这是首个将图像校正用于基于 CNN 物体检测的工作，且该数据集是首个公开可用的带 RGB-D 传感器的危险标志检测数据集。
引用
@article{arxiv.1909.10245,
title = {Improving CNN-based Planar Object Detection with Geometric Prior Knowledge},
author = {Jianxiong Cai and Jiawei Hou and Yiren Lu and Hongyu Chen and Laurent Kneip and Sören Schwertfeger},
journal= {arXiv preprint arXiv:1909.10245},
year = {2021}
}
备注
Accepted for SSRR 2020 (IEEE International Symposium on Safety, Security, and Rescue Robotics)