学会区分：面向仿真到真实的微小缺陷分割网络
计算机视觉与模式识别
2021-03-09 v1 机器人学
摘要
近期基于深度学习的小缺陷分割方法在特定设置下训练，往往受限于固定上下文。在整个训练过程中，网络在识别缺陷之前不可避免地先学习了训练数据背景的表征。一旦上下文改变，这些方法在推理阶段表现不佳，只能通过在每个新设置中重新训练来解决。这最终导致了在实际机器人应用中上下文不断变化的局限性。为此，与其逐上下文训练网络并寄望其泛化，何不停止用任何有限上下文误导它，转而使用纯仿真进行训练？本文提出SSDS网络，其学习一种无视上下文、区分两幅图像间微小缺陷的方法，从而一次性完成训练。我们引入了利用图像间相位相关的位姿敏感性的微小缺陷检测层，其后接异常值掩蔽层。该网络在具有简单形状的随机生成仿真数据上训练，并可泛化至真实世界。最后，SSDS在真实世界采集的数据上得到验证，展现出即便仅在廉价仿真中训练，仍能在真实世界中发现微小缺陷的能力，证明了其有效性及在实际应用中的潜力。
引用
@article{arxiv.2103.04297,
title = {Learn to Differ: Sim2Real Small Defection Segmentation Network},
author = {Zexi Chen and Zheyuan Huang and Yunkai Wang and Xuecheng Xu and Yue Wang and Rong Xiong},
journal= {arXiv preprint arXiv:2103.04297},
year = {2021}
}