Learn Fast, Segment Well: Fast Object Segmentation Learning on the iCub Robot

要約

ロボットの視覚システムには、アプリケーションに応じてさまざまな要件があります。高精度または信頼性が必要な場合、限られたリソースに制約される場合、または動的に変化する環境に迅速に適応する必要がある場合があります。
この作業では、インスタンスのセグメンテーションタスクに焦点を当て、新しいオブジェクトまたはさまざまなドメインの存在下でオブジェクトのセグメンテーションモデルを適応させることができるさまざまな手法の包括的な研究を提供します。
データがストリームに入るロボットアプリケーション用に設計された高速インスタンスセグメンテーション学習のパイプラインを提案します。
これは、特徴抽出と高速トレーニングカーネルベースの分類器のために事前トレーニングされたCNNを活用するハイブリッド手法に基づいています。
また、データ取得時に特徴抽出を行うことでトレーニング時間を短縮できるトレーニングプロトコルを提案します。
提案されたパイプラインを2つのロボティクスデータセットでベンチマークし、実際のロボット、つまりiCubヒューマノイドにデプロイします。
この目的のために、私たちは、新しいオブジェクトがロボットによってオンラインで学習されるインクリメンタル設定に私たちの方法を適応させます。
実験を再現するためのコードは、GitHubで公開されています。

要約(オリジナル)

The visual system of a robot has different requirements depending on the application: it may require high accuracy or reliability, be constrained by limited resources or need fast adaptation to dynamically changing environments. In this work, we focus on the instance segmentation task and provide a comprehensive study of different techniques that allow adapting an object segmentation model in presence of novel objects or different domains. We propose a pipeline for fast instance segmentation learning designed for robotic applications where data come in stream. It is based on an hybrid method leveraging on a pre-trained CNN for feature extraction and fast-to-train Kernel-based classifiers. We also propose a training protocol that allows to shorten the training time by performing feature extraction during the data acquisition. We benchmark the proposed pipeline on two robotics datasets and we deploy it on a real robot, i.e. the iCub humanoid. To this aim, we adapt our method to an incremental setting in which novel objects are learned on-line by the robot. The code to reproduce the experiments is publicly available on GitHub.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google