OSSID：用于（且由）姿态估计的在线自监督实例检测
计算机视觉与模式识别
2022-04-28 v2 人工智能
机器人学
摘要
实时物体姿态估计对于许多机器人操作算法是必要的。然而，最先进的物体姿态估计方法针对特定物体集训练；这些方法因此需要重新训练以估计每个新物体的姿态，通常需要数十个GPU天的训练才能达到最优性能。在本文中，我们提出OSSID框架，利用一个慢速零样本姿态估计器来自监督训练一个快速检测算法。该快速检测器随后可用于过滤输入到姿态估计器的数据，极大提升其推理速度。我们表明，这种自监督训练在两个广泛使用的物体姿态估计和检测数据集上超越了现有零样本检测方法的性能，且不需要任何人类标注。此外，我们表明所得到的姿态估计方法具有显著更快的推理速度，原因在于能够过滤掉图像的大部分地区。因此，我们的用于检测器的自监督在线学习方法（使用来自慢速姿态估计器的伪标签训练）实现了实时速度下的准确姿态估计，且不需要人类标注。补充材料和代码可在 https://georgegu1997.github.io/OSSID/ 找到。
引用
@article{arxiv.2201.07309,
title = {OSSID: Online Self-Supervised Instance Detection by (and for) Pose Estimation},
author = {Qiao Gu and Brian Okorn and David Held},
journal= {arXiv preprint arXiv:2201.07309},
year = {2022}
}
备注
10 pages, 6 figures. RA-L and ICRA 2022