基于有限训练数据的语义分割
机器人学
2017-09-25 v1 计算机视觉与模式识别
摘要
我们提出了一种在杂乱场景中进行机器人感知的方法，该方法帮助我们赢得了最近的 2017 年亚马逊机器人挑战赛（ARC）。除了具有闪亮和透明表面的小物体外，2017 年比赛最大的挑战是引入了未见过的类别。与传统方法需要大量标注数据和数小时训练不同，这里的任务是在仅有几分钟的数据采集和训练时间内获得一个鲁棒的感知流程。为此，我们提出了两种探索过的策略。一种是深度度量学习方法，分三个独立步骤进行：语义无关的边界检测、图像块分类和逐像素投票。另一种是采用高效数据集采集的全监督语义分割方法。我们在 ARC 2017 数据集上对这两种方法进行了广泛分析。有趣的是，即使对于非常深的卷积神经网络，每个类别仅需少量样本就足以针对这一特定任务进行微调。
引用
@article{arxiv.1709.07665,
title = {Semantic Segmentation from Limited Training Data},
author = {A. Milan and T. Pham and K. Vijay and D. Morrison and A. W. Tow and L. Liu and J. Erskine and R. Grinover and A. Gurman and T. Hunn and N. Kelly-Boxall and D. Lee and M. McTaggart and G. Rallos and A. Razjigaev and T. Rowntree and T. Shen and R. Smith and S. Wade-McCue and Z. Zhuang and C. Lehnert and G. Lin and I. Reid and P. Corke and J. Leitner},
journal= {arXiv preprint arXiv:1709.07665},
year = {2017}
}