Распознавание объектов привлекает все большее внимание исследователей благодаря многочисленным приложениям. Например, он позволяет роботам выполнять такие задачи, как поиск объекта в неструктурированной среде или извлечение инструмента для сотрудника-человека. В этом исследовании мы представляем новый метод неконтролируемого извлечения признаков из данных красного, зеленого, синего и плюс глубины (RGB-D), которые затем объединяются с несколькими классификаторами для распознавания объектов. В частности, наша архитектура сегментирует все объекты на столе с помощью метода неконтролируемой кластеризации. Он фокусируется отдельно на каждом объекте, чтобы извлечь как форму, так и визуальные особенности. Мы проводим эксперименты на подмножестве из 20 объектов, выбранных из набора объектов и моделей YCB, и оцениваем эффективность нескольких классификаторов. Самый эффективный из них достигает точности 99,7% при обучении и тестировании на образцах, полученных в одинаковых условиях (оборудование и среда). Результаты ухудшаются, когда система обучается на данных YCB и тестируется на данных, полученных с сенсора Kinect, в онлайн-лабораторной реализации.
Ссылка
А. Брас и П. Нето, Неконтролируемое извлечение признаков из данных RGB-D для классификации объектов: тематическое исследование набора объектов и моделей YCB, Ежегодная конференция IECON 2018–44th of the IEEE Industrial Electronics Society, Washington, DC, 2018, pp. 3673–3678.
doi: 10.1109/IECON.2018.8591500
URL: http://ieeexplore.ieee.org/stamp/stamp.jsp?tp =&номер=8591500&номер=8591058
