Geavanceerd AI-systeem voor nauwkeurige objectdetectie in ongerichte omgevingen

Robotvisie is een lange weg afgelegd, een niveau van sophistication bereikend met toepassingen in complexe en veeleisende taken, zoals autonoom rijden en objectmanipulatie. Echter, het worstelt nog steeds om individuele objecten te identificeren in ongerichte scènes waar sommige objecten ten dele of volledig verborgen achter anderen zijn. Typisch, bij het omgaan met dergelijke scènes, worden robotvisiesystemen getraind om het occluded object te identificeren gebaseerd alleen op zichtbare delen. Maar dergelijke training vereist grote datasets van objecten en kan vervelend zijn.

Associate Professor Kyoobin Lee en Ph.D.-student Seunghyeok Back van het Gwangju Institute of Science and Technology in Zuid-Korea zagen zich geconfronteerd met dit probleem toen ze een kunstmatige intelligentie-systeem ontwikkelden om objecten in ongerichte scènes te identificeren en te sorteren. "We verwachten dat een robot objecten herkent en manipuleert die ze nog niet tegen zijn gekomen of getraind zijn om te herkennen. In realiteit moeten we echter handmatig data verzamelen en labelen één voor één, omdat de generaliseerbaarheid van diepe neurale netwerk sterk afhangt van de kwaliteit en kwantiteit van de trainingsdataset," zei Back.

In een nieuwe studie, geleid door Prof. Lee en Back, ontwikkelden ze een model genaamd "unseen object amodal instance segmentation" (UOAIS) voor het detecteren van occluded objecten in ongerichte scènes. Om het model te trainen in het identificeren van objectgeometrie, ontwikkelden ze een database met 45.000 fotorealistische synthetische afbeeldingen met diepte-informatie. Met deze (beperkte) trainingsdata was het model in staat om een verscheidenheid aan occluded objecten te detecteren. Bij het tegenkomen van een ongerichte scène, pickte het eerst het object van interesse uit en bepaald vervolgens of het object occluded is door het object te segmenteren in een "zichtbare masker" en een "amodale masker".

De onderzoekers waren opgewonden over de resultaten. "Eerdere methoden zijn beperkt tot het detecteren van alleen specifieke typen objecten of het detecteren van alleen de zichtbare regio's zonder expliciet te redeneren over occluded gebieden. In tegenstelling, kan onze methode de verborgen regio's van occluded objecten afleiden als een menselijk visiesysteem. Dit stelt een reductie in data-verzamelingsinspanningen in staat tijdens het verbeteren van prestaties in een complexe omgeving," zei Back.

Om "occlusion reasoning" in hun systeem te mogelijk maken, introduceerden de onderzoekers een "hierarchical occlusion modeling" (HOM) schema, dat een hiërarchie toekende aan de combinatie van meerdere geëxtraheerde features en hun voorspellingsvolgorde. Door hun model te testen tegen drie benchmarks, valideerden ze de effectiviteit van het HOM-schema, dat state-of-the-art-prestaties bereikte.

De onderzoekers zijn hoopvol over de toekomstperspectieven van hun methode. "Het waarnemen van onziene objecten in een ongerichte omgeving is essentieel voor amodale robotmanipulatie. Onze UOAIS-methode kan als een baseline op dit front dienen," zei Back.

Voor meer informatie, contacteer Seulhye Kim, Gwangju Institute of Science and Technology, via dit e-mailadres (beschermd tegen spambots, JavaScript vereist); 82-627-156-253.