利用合成数据特征迁移消除机器人感知中语义分割的偏差
计算机视觉与模式识别
2018-09-12 v1 机器人学
摘要
机器人感知系统需要在噪声原始感知数据上实时执行可靠的图像分割。最先进的分割方法使用大型CNN模型和精心构建的数据集；然而，这些模型以实时推理为代价来追求精度。此外，标准语义分割数据集不足以在不使用数据增强的情况下训练CNN，且不能代表噪声、未筛选的机器人感知数据。我们提出通过迁移从合成分割数据中学到的特征，来提升实时分割框架在机器人感知数据上的性能。我们表明，使用合成分割数据而非ImageNet对实时分割架构进行预训练，可通过减少预训练中学到的偏差并由此缩小迁移鸿沟来提高微调性能。我们的实验表明，用合成数据预训练的实时机器人感知模型在所考察的每种规模的微调数据下均优于用ImageNet预训练的模型。此外，随着机器人数据可用性的降低，合成预训练相对于ImageNet预训练的优势程度增大，这使得我们的方法在数据集采集困难且/或昂贵的机器人领域具有吸引力。
引用
@article{arxiv.1809.03676,
title = {Unbiasing Semantic Segmentation For Robot Perception using Synthetic Data Feature Transfer},
author = {Jonathan C Balloch and Varun Agrawal and Irfan Essa and Sonia Chernova},
journal= {arXiv preprint arXiv:1809.03676},
year = {2018}
}