基于自监督特征提取的足球机器人增强感知球检测
计算机视觉与模式识别
2025-06-23 v1
摘要
鲁棒且准确的球体检测是实现自主人形足球机器人关键能力，尤其在RoboCup户外场等动态且具有挑战性的环境中。然而，传统的监督式方法需要大量的手动标注，这既成本高昂又耗时。为此，我们提出一种基于自监督学习的领域自适应特征提取框架，以提升球体检测性能。该方法利用通用预训练模型生成伪标签，并通过一系列自监督预文本任务（包括颜色化、边缘检测和三元组损失）来学习鲁棒的视觉特征，无需依赖手动标注。此外，还引入模型中性元学习（MAML）策略，以确保在最小监督条件下快速适应新的部署场景。我们引入一个包含10,000张标注户外RoboCup SPL比赛图像的数据集，用于验证该方法并向社区开放。实验结果表明，所提出的管道在准确率、F1分数和IoU方面均优于基线模型，同时具备更快的收敛速度。
引用
@article{arxiv.2506.16821,
title = {Self-supervised Feature Extraction for Enhanced Ball Detection on Soccer Robots},
author = {Can Lin and Daniele Affinita and Marco E. P. Zimmatore and Daniele Nardi and Domenico D. Bloisi and Vincenzo Suriani},
journal= {arXiv preprint arXiv:2506.16821},
year = {2025}
}