ProgressLabeller：用于训练以物体为中心的3D感知的视觉数据流标注工具
机器人学
2022-08-03 v2 计算机视觉与模式识别
摘要
视觉感知任务通常需要大量带标签的数据，包括3D位姿和图像空间分割掩码。创建此类训练数据集的过程往往难以扩展或耗时巨大，难以达到通用效果。以刚体物体的位姿估计任务为例，基于深度神经网络的方法在大型公开数据集上训练时表现出良好性能。然而，将这些网络适配于其他新颖物体，或为不同环境微调现有模型，都需要投入大量时间来生成新标注样本。为此，我们提出ProgressLabeller，作为一种从彩色图像序列中可扩展地高效生成大量自定义场景6D位姿训练数据的方法。ProgressLabeller还旨在支持透明或半透明物体，而此前基于深度稠密重建的方法对此会失效。我们通过快速创建超过100万样本的数据集来展示ProgressLabeller的有效性，并利用该数据集微调最先进的位姿估计网络，从而显著提高下游机器人抓取成功率。ProgressLabeller已在 https://github.com/huijieZH/ProgressLabeller 开源。
引用
@article{arxiv.2203.00283,
title = {ProgressLabeller: Visual Data Stream Annotation for Training Object-Centric 3D Perception},
author = {Xiaotong Chen and Huijie Zhang and Zeren Yu and Stanley Lewis and Odest Chadwicke Jenkins},
journal= {arXiv preprint arXiv:2203.00283},
year = {2022}
}
备注
IROS 2022 accepted paper; project page: https://progress.eecs.umich.edu/projects/progress-labeller/