RICE：利用图神经网络在杂乱环境中精炼实例掩码
计算机视觉与模式识别
2021-07-01 v1 机器人学
摘要
在杂乱环境中分割未见物体实例是机器人在非结构化环境中作业所需的重要能力。尽管已有方法展现出 promising 的结果，它们在高度杂乱场景中仍倾向于给出错误结果。我们假定，一个在高层编码物体间关系的网络架构将是有益的。因此，在本工作中，我们提出一种新颖框架，通过利用基于图的实例掩码表示来精炼此类方法的输出。我们训练深度网络以对分割结果采样智能扰动，并训练一个图神经网络（其能编码物体间关系）来评估受扰动的分割。我们提出的方法与以往工作正交，且与它们结合时达到最先进（SOTA）性能。我们展示了一个应用，利用我们方法生成的不确定性估计来引导机械臂，从而高效理解杂乱场景。代码、模型与视频见 https://github.com/chrisdxie/rice 。
引用
@article{arxiv.2106.15711,
title = {RICE: Refining Instance Masks in Cluttered Environments with Graph Neural Networks},
author = {Christopher Xie and Arsalan Mousavian and Yu Xiang and Dieter Fox},
journal= {arXiv preprint arXiv:2106.15711},
year = {2021}
}