基于全卷积神经网络在遮挡下实现高精度可形变跟踪的部位分割
计算机视觉与模式识别
2019-08-06 v1 机器人学
摘要
成功跟踪人体是必须在人周围工作的机器人面临的一项重要感知挑战。现有方法分为两大类：几何跟踪与使用机器学习的直接姿态估计。虽然近期工作表明直接估计技术可以相当强大，但使用点云的几何跟踪方法能提供非常高的3D精度，这是许多机器人应用所必需的。然而，当主体大部分被遮挡且处于杂乱环境时，这些方法会遇到困难。为克服此限制，我们提出了一种基于全卷积神经网络(fully convolutional neural networks, FCN)的解决方案。我们针对我们的应用开发了优化的Fast-FCN网络架构，使我们能够过滤观测到的点云并在保持交互式帧率的同时提高跟踪精度。我们还展示，通过使用现有几何跟踪器和数据增强自动生成分割图，该模型可用有限数量的样本且几乎无需人工标注进行训练。我们通过与现有几何跟踪器比较展示了我们完整系统的精度，并表明在这些具有挑战性的场景中取得了显著改进。
引用
@article{arxiv.1908.01504,
title = {Part Segmentation for Highly Accurate Deformable Tracking in Occlusions via Fully Convolutional Neural Networks},
author = {Weilin Wan and Aaron Walsman and Dieter Fox},
journal= {arXiv preprint arXiv:1908.01504},
year = {2019}
}