R2SNet：通过候选框精修实现基于云的机器人生态系统中目标检测的可扩展域适应
机器人学
2024-07-22 v3
摘要
我们提出了一种新颖的方法，用于云机器人场景中的可扩展域适应，其中机器人依赖由大型预训练深度神经网络驱动的第三方 AI 推理服务。我们的方法基于一个在机器人本地运行的下游候选框精修阶段，利用一种新的轻量级 DNN 架构 R2SNet。该架构旨在通过将目标检测过程适配到目标环境来缓解域偏移导致的性能下降，重点是对边界框候选进行重新标记、重新评分和抑制。我们的方法允许在机器人上本地执行，解决了域适应的可扩展性挑战，且不会产生显著的计算成本。在移动服务机器人执行门检测的真实世界结果表明，所提出的方法在实现可扩展域适应方面是有效的。
引用
@article{arxiv.2403.11567,
title = {R2SNet: Scalable Domain Adaptation for Object Detection in Cloud-Based Robotic Ecosystems via Proposal Refinement},
author = {Michele Antonazzi and Matteo Luperto and N. Alberto Borghese and Nicola Basilico},
journal= {arXiv preprint arXiv:2403.11567},
year = {2024}
}