Jacquard V2：利用人在回路数据校正方法优化数据集
计算机视觉与模式识别
2024-02-09 v1 人工智能
摘要
在工业自动化快速发展的背景下，基于视觉的机器人抓取发挥着日益关键的作用。为了提高视觉识别精度，必须利用大规模数据集来训练模型，以获取处理各种物体的隐性知识。从头创建数据集是一个耗时且劳动密集的过程。此外，现有数据集往往因旨在求快的自动标注而包含错误，使得改进这些数据集成为一项重大的研究挑战。因此，在流行的 Jacquard Grasp 数据集中，抓取边界框的标注已被发现存在若干问题。我们提出利用人在回路 (HIL) 方法来提高数据集质量。该方法依赖骨干深度学习网络来预测机器人抓取的物体位置和方向。交并比 (IOU) 值低于 0.2 的预测结果由人工操作员进行评估。评估后，数据被分类为假阴性 (FN) 和真阴性 (TN)。FN 随后被细分为缺失标注或灾难性标注错误。缺乏标注的图像会补充有效的抓取边界框信息，而受灾难性标注错误影响的图像则被完全移除。开源工具 Labelbee 被用于执行 53,026 次 HIL 数据集增强迭代，导致移除了 2,884 张图像，并为 30,292 张图像加入了真值信息。增强后的数据集命名为 Jacquard V2 抓取数据集，已作为多种神经网络的训练数据。
引用
@article{arxiv.2402.05747,
title = {Jacquard V2: Refining Datasets using the Human In the Loop Data Correction Method},
author = {Qiuhao Li and Shenghai Yuan},
journal= {arXiv preprint arXiv:2402.05747},
year = {2024}
}