Lifelong Change Detection: Continuous Domain Adaptation for Small Object Change Detection in Every Robot Navigation

要約

ロボット工学で最近新たに登場した研究分野である地上ビュー変化検出は、複雑な非線形透視投影と組み合わされた視覚的な不確実性により、不適切な姿勢に悩まされています。
不良姿勢を正則化するために、一般的に適用される教師あり学習手法 (CSCD-Net など) は、手動で注釈が付けられた高品質のオブジェクトクラス固有の事前確率に依存します。
この研究では、手動のアノテーションが利用できない一般的なアプリケーション ドメインを考慮し、完全に自己監視型のアプローチを提示します。
現在のアプローチは、日常のロボットのナビゲーション中に検出されたオブジェクトの変化を追加の事前分布として再利用して、将来の変化検出タスクを改善できるという強力で汎用性の高いアイデアを採用しています。
さらに、堅牢化されたフレームワークが、地上からの小さな物体の変化検出という新しい挑戦的な実用化シナリオで実装され、実験的に検証されています。

要約(オリジナル)

The recently emerging research area in robotics, ground view change detection, suffers from its ill-posed-ness because of visual uncertainty combined with complex nonlinear perspective projection. To regularize the ill-posed-ness, the commonly applied supervised learning methods (e.g., CSCD-Net) rely on manually annotated high-quality object-class-specific priors. In this work, we consider general application domains where no manual annotation is available and present a fully self-supervised approach. The present approach adopts the powerful and versatile idea that object changes detected during everyday robot navigation can be reused as additional priors to improve future change detection tasks. Furthermore, a robustified framework is implemented and verified experimentally in a new challenging practical application scenario: ground-view small object change detection.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google