室内场景语义分割的强化学习方法
计算机视觉与模式识别
2016-06-06 v1 机器人学
摘要
机器人自主性的未来进步与机器人任务的复杂化，依赖于对环境的鲁棒、高效且任务相关的语义理解。语义分割是对传感数据分区进行同时分割与归类的问题。当前大多数方法通过条件随机场（CRF）框架中的多类分割与标注，或通过生成多个物体假设并顺序组合它们来解决此问题。在实际设置中，所需的语义标签子集取决于任务和特定场景，且对每个像素进行标注并非总是必要。我们基于这些观察，开发了一种更模块化、更灵活的方法，用于 RGBD 数据的多类解析，该方法基于学习组合独立二值物体-背景分割的策略，以替代通常的单体多标签 CRF 方法。独立二值分割模型的参数可以非常高效地学习，而组合策略——通过强化学习习得——可独立设置，并能随不同任务和环境而变化。在 NYU-V2 室内场景数据集的一个子集上，其准确度与当前最先进方法相当，同时提供了额外的灵活性与模块化。
引用
@article{arxiv.1606.01178,
title = {Reinforcement Learning for Semantic Segmentation in Indoor Scenes},
author = {Md. Alimoor Reza and Jana Kosecka},
journal= {arXiv preprint arXiv:1606.01178},
year = {2016}
}