OrthographicNet：一种面向开放式领域三维物体识别的深度迁移学习方法
机器人学
2021-01-01 v3 计算机视觉与模式识别
摘要
如今，服务机器人正越来越多地出现在我们的日常生活中。对于这类机器人，开放式物体类别学习与识别是必要的，因为无论用于批量学习的训练数据多么广泛，机器人在真实世界环境中运行时都可能面对新物体。在本工作中，我们提出 OrthographicNet，一种基于卷积神经网络（CNN）的模型，用于开放式领域中的三维物体识别。具体而言，OrthographicNet 为给定三维物体生成全局旋转与尺度不变的表示，使机器人能够识别从不同视角看到的相同或相似物体。实验结果表明，在开放式场景下的物体识别性能与可扩展性方面，我们的方法相较先前最先进（state-of-the-art）方法取得了显著改进。此外，OrthographicNet 展示了利用极少现场样本学习新类别的能力。在实时性能方面，三个真实世界演示验证了所提架构的良好表现。
引用
@article{arxiv.1902.03057,
title = {OrthographicNet: A Deep Transfer Learning Approach for 3D Object Recognition in Open-Ended Domains},
author = {Hamidreza Kasaei},
journal= {arXiv preprint arXiv:1902.03057},
year = {2021}
}