10.19557/j.cnki.1001-9944.2023.09.012
基于元学习和关键点的实时抓取检测算法
目前大多数深度神经网络在机器人抓取检测任务上取得了较好的检测效果,但对于未见过的物体抓取预测具有挑战性,且平衡抓取准确率和实时性也是一个难题.针对上述问题,该文提出一种基于元学习和关键点的实时抓取检测算法,将训练过程分为基础学习和元学习2个阶段.基于CenterNet思想设计网络结构,引入元学习器增强模型对未知知识的学习能力.首先采用旋转椭圆高斯热力图预处理标签;然后基于GhostNet中的模块和NAM注意力机制设计轻量化的特征提取网络;为提升不同尺寸物体检测效果,设计多尺度的特征提取和特征融合模块.网络参数量和计算量分别低至4.08 M和3825 M,保证了实时性.在Cornell数据集上按照图像分割和对象分割进行实验,分别达到99.3%和99.0%的准确率.
抓取检测、元学习、关键点、NAM注意力、轻量级神经网络
38
TP242(自动化技术及设备)
国家自然科学基金U1713216
2023-09-28(万方平台首次上网日期,不代表论文的发表时间)
共6页
56-61