Segmentación semántica RGB-D adaptativa con fusión de conexión de salto para localización de escaleras y ascensores en interiores
Video Experimental Relacionado
Updated: May 2, 2026
Combining Eye-tracking Data with an Analysis of Video Content from Free-viewing a Video of a Walk in an Urban Park Environment
Published on: May 7, 2019
Zihan Zhu1, Henghong Lin1, Anastasia Ioannou2
1Fujian Provincial Key Laboratory of Information Processing and Intelligent Control, School of Computer and Data Science, Minjiang University, Fuzhou 350108, China.
Presentamos Skip-Connection Fusion (SCF), un nuevo método para segmentar con precisión los elementos arquitectónicos interiores como escaleras y ascensores. SCF mejora la navegación robótica al mejorar la integración de características para una mejor detección de obstáculos en entornos complejos.
Área de la Ciencia:
- Visión por computadora
- La robótica
- Inteligencia artificial
Sus antecedentes:
- La segmentación semántica precisa de los elementos arquitectónicos interiores es crucial para la navegación robótica.
- Los métodos tradicionales de fusión se enfrentan a desafíos con oclusiones, reflejos y regiones de bajo contraste.
Objetivo del estudio:
- Proponer un nuevo módulo de fusión de características, Skip-Connection Fusion (SCF), para una mejor segmentación semántica.
- Mejorar la detección de obstáculos y la interacción humano-robot en entornos interiores complejos.
Principales métodos:
- Se desarrolló un módulo SCF que integra características RGB y de profundidad utilizando ponderación adaptativa y conexiones de salto.
- Enfatiza dinámicamente las regiones informativas y suprime el ruido para una segmentación robusta.
- Realizó extensos experimentos en un conjunto de datos recientemente recopilado.
Principales resultados:
- SCF supera a los métodos de última generación como PSPNet y DeepLabv3 en millones de unidades.
- Logró una mejora del 5,23% en la precisión de segmentación para casos difíciles.
- Robustez demostrada en condiciones del mundo real con diferentes complejidades de la escena.
Conclusiones:
- SCF proporciona una solución robusta para la segmentación semántica en entornos interiores desafiantes.
- El método propuesto mejora significativamente la navegación autónoma y la robótica de asistencia.
- Ofrece una base sólida para aplicaciones en vigilancia inteligente e interacción humano-robot.
