Rozpoznávání neznámých objektů pro detekci 3D objektu ve světě bez omezení

Abstract

Zatímco většina výzkumných prací v oblasti počítačového vidění je zaměřena na rozpoznávání v omezeném světě, v němž je počet možných kategorií pevně stanovený a předem daný, tato práce poskytuje nahlédnutí do rozpoznávání ve světě bez omezení. Úlohy ve světě bez omezení předpokládají, že počet kategorií je neomezený, a většina z nich je neznámá. Tato práce přispívá právě k porozumění neznámého a toho, jak může být použito pro detekci objektů. Výzkum rozpoznávání ve světě bez omezení je v současnosti zaměřen zejména na obrázky nebo na posloupnosti obrázků. Originalita této práce spočívá v adaptaci detekce 3D objektů do světa bez omezení. V práci jsou analyzovány detekce z populárního frameworku pro segmentaci instancí objektů, je diskutována kvalita detekcí objektů na různých příkladech a je dále ukázáno, jak lze detekovat neznáme objekty. V práci je navržen a popsán systém rozpoznávání 3D objektů ve světě bez omezení, jeho implementace v simulaci a prostředky pro vyhodnocení. Kromě toho tato práce demonstruje metodu učení nových tříd bez ručního anotování dat. Výsledky této práce mají potenciál přivést roboty blíž ke schopnosti vědět, že něco neví, a možnosti tento poznatek využít.

While most studies in computer vision focus on closed set recognition, where the number of possible categories is fixed and known a priori, this study provides new insights into open set recognition. Open set problems assume that there is an unlimited number of categories, and most of them are unknown. This work contributes to our understanding of the unknown and how it can be applied in the object detection setting. To date, research on open set recognition has been focused chiefly on images or sequences of images. The novelty of our work lies in an adaption of 3D object detection to an open set setting. We analyse the detections from the popular instance segmentation framework, discuss the object detection performance on different examples, and show how unknown objects can be detected. We describe our approach to build a 3D open set object detection system, implement it in the simulation, and provide tools for evaluation. Moreover, this work demonstrates the method of learning novel classes without manual data labelling. We hope that the results of our work will bring robots closer to the ability to know that they do not know, and benefit from this finding.