面向主动小物体变化检测的零样本不适定度估计

在日常室内导航中，机器人通常需要检测非显著的小变化物体（例如文具、遗失物品和杂物等）以维护领域知识。这与地面视角变化检测（GVCD）最为相关，GVCD 是计算机视觉领域近期新兴的研究方向。然而，现有技术依赖高质量的特定类别物体先验来正则化变化检测器模型，这无法应用于语义非显著的小物体。为解决不适定性，本研究从 GVCD 的新视角探索了不适定度概念，旨在改进被动视觉和主动视觉。这一新颖的 DoI 问题高度依赖领域，且人工收集细粒度标注训练数据成本高昂。为正则化此问题，我们应用自监督学习的概念以实现高效的 DoI 估计方案，并研究其对多样化数据集的泛化能力。具体而言，我们解决了为语义非显著的未见小物体获取自监督线索这一挑战性问题，并表明来自开放词汇语义分割的新颖“过分割线索”可被有效利用。应用于多样化真实数据集时，所提出的 DoI 模型能够提升 SOTA 变化检测模型，且在真实世界数据集上评估时展现出稳定且一致的改进。