用于鲁棒RGB-D物体识别的多模态深度学习
计算机视觉与模式识别
2015-08-19 v2 机器学习
神经与进化计算
机器人学
摘要
鲁棒的物体识别是许多（如果不是全部）真实世界机器人应用的关键要素。本文利用卷积神经网络（CNNs）的最新进展，提出了一种新颖的用于物体识别的RGB-D架构。我们的架构由两个独立的CNN处理流组成——每种模态一个——它们随后与后期融合网络结合。我们专注于使用不完美传感器数据学习，这是真实世界机器人任务中的典型问题。为了准确学习，我们引入了多阶段训练方法以及使用CNN处理深度数据的两个关键要素。第一，一种用于CNN的深度信息的有效编码，使得无需大型深度数据集即可学习。第二，一种通过使用真实噪声模式破坏深度图像以实现鲁棒学习的数据增强方案。我们在RGB-D物体数据集上展示了最先进的结果，并展示了在具有挑战性的RGB-D真实世界噪声设置中的识别。
引用
@article{arxiv.1507.06821,
title = {Multimodal Deep Learning for Robust RGB-D Object Recognition},
author = {Andreas Eitel and Jost Tobias Springenberg and Luciano Spinello and Martin Riedmiller and Wolfram Burgard},
journal= {arXiv preprint arXiv:1507.06821},
year = {2015}
}
备注
Final version submitted to IROS'2015, results unchanged, reformulation of some text passages in abstract and introduction