SKU-Patch：面向自动仓储中未见物体的高效实例分割
计算机视觉与模式识别
2023-11-09 v1 人工智能
摘要
在大型仓库中，精确的实例掩码对于机器人拣选至关重要但难以获取。现有实例分割方法通常依赖于针对每一个库存量单位（SKU）进行场景采集、掩码标注和网络微调的繁琐过程。本文提出 SKU-Patch，一种新颖的块引导实例分割方案，仅利用每个新到 SKU 的少量图像块即可预测准确且鲁棒的掩码，无需繁琐的人工操作和模型重训练。技术上，我们设计了一种基于 transformer 的新颖网络，包含（i）一个由块信息校准的多级图像特征块-图像关联编码器，以及（ii）一个带有并行任务头的块感知 transformer 解码器以生成实例掩码。在四个仓库基准上的大量实验表明，SKU-Patch 能够取得优于当前最优（SOTA）方法的性能。此外，SKU-Patch 在机器人辅助的自动仓储物流流水线中对超过 50 个未见 SKU 实现了平均近 100% 的抓取成功率，展示了其有效性与实用性。
引用
@article{arxiv.2311.04645,
title = {SKU-Patch: Towards Efficient Instance Segmentation for Unseen Objects in Auto-Store},
author = {Biqi Yang and Weiliang Tang and Xiaojie Gao and Xianzhi Li and Yun-Hui Liu and Chi-Wing Fu and Pheng-Ann Heng},
journal= {arXiv preprint arXiv:2311.04645},
year = {2023}
}