基于无监督学习的方法用于检测深度地图中的3D边缘
Ayush Aggarwal1, Rustam Stolkin2, Naresh Marturi2
1Extreme Robotics Lab, School of Metallurgy and Materials, University of Birmingham, Edgbaston, UK. axa1508@student.bham.ac.uk.
Scientific reports
|January 8, 2024
概括
本研究介绍了一种用于计算机视觉和机器人的新型无监督3D边缘检测方法. 它可以准确地识别噪音深度数据中的3D边缘,而不需要手动调整参数或标记数据集.
科学领域:
- 计算机视觉 计算机视觉
- 机器人技术 机器人技术 机器人技术
- 机器学习 机器学习
背景情况:
- 3D边缘功能对于对象识别和机器人操纵等任务至关重要.
- 现有的3D边缘检测方法通常需要广泛的参数调整或标记数据,限制实际使用.
研究的目的:
- 为噪音深度数据开发可靠和实用的3D边缘检测方法.
- 通过消除手动参数调节和标记训练数据的需求,克服现有方法的局限性.
主要方法:
- 使用编码器解码器网络来学习来自多尺度深度图的特征.
- 使用无监督的分类和聚类来识别边缘点.
- 学习边缘特定的特征,并对点进行分类,而无需实地真理标签.
主要成果:
- 在基准数据集上与最先进的方法相比,实现了竞争性性能.
- 在单个和多对象场景上都表现出有效性.
- 验证了该方法在没有标记数据或手动超参数调整的情况下执行的能力.
结论:
- 拟议的无监督3D边缘检测方法为现实世界应用提供了实际的解决方案.
- 消除了手动参数调整和标记数据集的需要,提高了可用性.
- 为计算机视觉和机器人技术中监督方法提供了强大的替代方案.
