R2SNet: Scalable Domain Adaptation for Object Detection in Cloud-Based Robots Ecosystems via Proposal Refinement

要約

ロボットが事前にトレーニングされた大規模なディープ ニューラル ネットワークを活用したサードパーティの AI 推論サービスに依存するクラウド ロボティクス シナリオにおける、スケーラブルなドメイン適応のための新しいアプローチを紹介します。
私たちの手法は、新しい軽量 DNN アーキテクチャである R2SNet を活用し、ロボット上でローカルに実行される下流の提案改良段階に基づいています。
このアーキテクチャは、オブジェクト検出プロセスをターゲット環境に適応させ、境界ボックス提案の再ラベル付け、再スコアリング、抑制に重点を置くことで、ドメインのシフトによるパフォーマンスの低下を軽減することを目的としています。
私たちの方法では、ロボット上でのローカル実行が可能になり、大幅な計算コストをかけずにドメイン適応のスケーラビリティの課題に対処できます。
ドア検出を実行するモバイルサービスロボットに関する実際の結果は、スケーラブルなドメイン適応を達成する上で提案された方法の有効性を示しています。

要約(オリジナル)

We introduce a novel approach for scalable domain adaptation in cloud robotics scenarios where robots rely on third-party AI inference services powered by large pre-trained deep neural networks. Our method is based on a downstream proposal-refinement stage running locally on the robots, exploiting a new lightweight DNN architecture, R2SNet. This architecture aims to mitigate performance degradation from domain shifts by adapting the object detection process to the target environment, focusing on relabeling, rescoring, and suppression of bounding-box proposals. Our method allows for local execution on robots, addressing the scalability challenges of domain adaptation without incurring significant computational costs. Real-world results on mobile service robots performing door detection show the effectiveness of the proposed method in achieving scalable domain adaptation.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google