与人类视觉非常相似，该方法允许在单个框架中检测可见、部分遮挡和不可见的物体。鸣谢:光州科学技术研究所(GIST)当人工智能系统遇到物体不完全可见的场景时，它们不得不仅根据物体的可见部分进行估计。这种部分信息导致检测错误，并且需要大量的训练数据来正确识别这种场景。现在，光州科学技术研究所的研究人员开发了一个框架，允许机器人视觉以我们感知它们的相同方式成功检测这些物体。机器人视觉已经取得了很大进展，在复杂和要求苛刻的任务中的应用达到了一个复杂的水平，如自动驾驶和物体操纵。然而，在一些物体部分或完全隐藏在其他物体后面的混乱场景中，它仍然难以识别单个物体。通常，当处理这种场景时，机器人视觉系统被训练成仅基于其可见部分来识别被遮挡的物体。但是这种训练需要大量的对象数据集，并且可能相当乏味。
韩国光州科学技术研究所(GIST)的副教授Kyoobin Lee和博士生Seunghyeok在开发一个人工智能系统来识别和分类杂乱的序列中的对象时，发现自己面临着这个问题。“我们希望机器人能够识别和操纵它们以前从未遇到过或训练过识别的物体。然而，在现实中，我们需要手动逐一收集和标记数据，因为深度神经网络的泛化能力高度依赖于训练数据集的质量和数量，”巴克先生说。
在2022年IEEE机器人和自动化国际会议上接受的一项新研究中，由Lee教授和Back先生领导的研究小组开发了一种称为“看不见的对象模型实例分割”(UOAIS)的模型，用于检测杂乱场景中的遮挡对象。为了训练模型识别物体几何形状，他们开发了一个包含45，000张包含深度信息的真实感合成图像的数据库。利用这种(有限的)训练数据，该模型能够检测各种被遮挡的物体。在遇到杂乱的场景时，它首先挑选出感兴趣的对象，然后通过将对象分割为“可见遮罩”和“非可见遮罩”来确定对象是否被遮挡。
研究人员对结果感到兴奋。先前的方法限于仅检测特定类型的对象，或者仅检测可见区域，而没有对遮挡区域进行显式推理。相比之下，我们的方法可以像人类视觉系统一样推断出被遮挡物体的隐藏区域。这可以减少数据收集工作，同时提高复杂环境中的性能，”Back先生评论道。
为了在他们的系统中启用“遮挡推理”，研究人员引入了“分层遮挡建模”(HOM)方案，该方案为多个提取的特征及其预测顺序的组合分配了一个层次。通过在三个基准测试中测试他们的模型，他们验证了HOM方案的有效性，实现了最先进的性能。
研究人员对他们方法的未来前景充满希望。“在混乱的环境中感知看不见的物体对于机器人的控制是至关重要的。我们的UOAIS方法可以作为这方面的基线，”Back先生说。
来源：由phyica.com整理转载自PH，转载请保留出处和链接！
