深度学习方法最近在目标检测方面表现出令人印象深刻的性能。然而,这种方法需要大量的训练数据才能达到高识别精度,这很耗时,并且需要大量的手工工作,如标记图像。在本文中,我们使用机器人自动准备训练数据。考虑到机器人运动效率低、能耗高等问题,我们提出将机器人手部观察和数据合成相结合,扩大机器人收集的有限数据集。我们首先使用带有深度传感器的机器人来收集机器人手中的物体图像并分割物体图片。然后,我们使用复制粘贴方法合成具有机架背景的分割对象。将采集的图像和合成图像结合起来,训练深度检测神经网络。我们进行了实验,以比较使用所提出的方法和其他几种方法收集的图像训练的YOLOv5x探测器。结果表明,结合观察和合成图像,其性能与手动数据准备相当。它们为优化训练检测器的数据配置和参数设置提供了很好的指导。所提出的方法只需要一个过程,并且是产生组合数据的低成本方法。
摘要-深度学习方法最近在目标检测中表现出im出色的性能。然而,这类方法需要大量的训练数据才能达到较高的识别准确率,耗时且需要大量的人工标注图像等工作。本文中,我们使用机器人自动准备训练数据。针对机器人运动效率低、能耗大的问题,提出将机器人手把手观测与数据合成相结合的方法来扩大机器人采集的有限数据集。我们首先使用一个带有深度传感器的机器人来收集机器人手中持有的物体的图像,并对物体图像进行分割。然后采用复制粘贴的方法合成具有机架背景的物体;将收集到的图像与合成图像相结合,训练深度检测神经网络。我们进行了实验,将YOLOv5x