Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
On Recognizing Transparent Objects in Domestic Environments Using Fusion of Multiple Sensor Modalities Kapitel lesen Erstes Kapitel lesen

2017 | OriginalPaper | Buchkapitel

Ball Localization for Robocup Soccer Using Convolutional Neural Networks

verfasst von : Daniel Speck, Pablo Barros, Cornelius Weber, Stefan Wermter

Erschienen in: RoboCup 2016: Robot World Cup XX

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

In RoboCup soccer, ball localization is an important and challenging task, especially since the last change of the rule which allows 50% of the ball’s surface to be of any color or pattern while the rest must remain white. Multi-color balls have changing color histograms and patterns in dependence of the current orientation and movement. This paper presents a neural approach using a convolutional neural network (CNN) to localize the ball in various scenes. CNNs were used in several image recognition tasks, particularly because of their capability to learn invariances in images. In this work we use CNNs to locate a ball by training two output layers, representing the x- and y-coordinates, with normal distributions fitted around the ball. Therefore the network not only locates the ball’s position but also provides an estimation of the noise. The architecture processes the whole image in full size, no sliding-window approach is used.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel On Recognizing Transparent Objects in Domestic Environments Using Fusion of Multiple Sensor Modalities
Nächstes Kapitel Kick Motions for the NAO Robot Using Dynamic Movement Primitives
Literatur
1.
2.
Coath, G., Musumeci, P.: Adaptive arc fitting for ball detection in Robocup. In: Proceedings of APRS Workshop on Digital Image Analysing, Brisbane, Australia, pp. 63–68 (2003)
3.
Erhan, D., Szegedy, C., Toshev, A., Anguelov, D.: Deep neural networks for object detection. In: Advances in Neural Information Processing Systems, pp. 2553–2561 (2013)
4.
Erhan, D., Szegedy, C., Toshev, A., Anguelov, D.: Scalable object detection using deep neural networks. In: 2014 IEEE Conference on Computer Vision and Pattern Recognition, pp. 2147–2154 (2014)
5.
Glorot, X., Bengio, Y.: Understanding the difficulty of training deep feedforward neural networks. In: AISTATS, vol. 9, pp. 249–256 (2010)
6.
7.
Hinton, G.E., Srivastava, N., Krizhevsky, A., Sutskever, I., Salakhutdinov, R.R.: Improving neural networks by preventing co-adaptation of feature detectors. arXiv:​1207.​0580, pp. 1–18 (2012)
8.
Jamzad, M., Sadjad, B.S., Mirrokni, V.S., Kazemi, M., Chitsaz, H., Heydarnoori, A., Hajiaghai, M.T., Chiniforooshan, E.: A fast vision system for middle size robots in RoboCup. In: Birk, A., Coradeschi, S., Tadokoro, S. (eds.) RoboCup 2001. LNCS, vol. 2377, pp. 71–80. Springer, Heidelberg (2002). https://​doi.​org/​10.​1007/​3-540-45603-1_​8CrossRefMATH
9.
Kalman, R.E.: A New Approach to Linear Filtering and Prediction Problems (1960)CrossRef
10.
Kingma, D.P., Ba, J.L.: Adam: a method for stochastic optimization. In: International Conference on Learning Representations, pp. 1–13 (2015)
11.
Krizhevsky, A., Hinton, G.: Convolutional Deep Belief Networks on CIFAR-10 (2010, unpublished manuscript)
12.
Krizhevsky, A., Sutskever, I., Hinton, G.E.: ImageNet classification with deep convolutional neural networks. In: Advances in Neural Information Processing Systems, pp. 1–9 (2012)
13.
Larochelle, H., Bengio, Y., Louradour, J., Lamblin, P.: Exploring strategies for training deep neural networks. J. Mach. Learn. Res. 10, 1–40 (2009)MATH
14.
LeCun, Y., Bottou, L., Bengio, Y., Haffner, P.: Gradient based learning applied to document recognition. Proc. IEEE 86(11), 2278–2324 (1998)CrossRef
15.
LeCun, Y., Kavukcuoglu, K., Farabet, C.: Convolutional networks and applications in vision. In: ISCAS 2010–2010 IEEE International Symposium on Circuits and Systems: Nano-Bio Circuit Fabrics and Systems, pp. 253–256 (2010)
16.
Malik, J., Girshick, R., Donahue, J., Darrell, T.: Rich feature hierarchies for accurate object detection and semantic segmentation. In: 2014 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), pp. 580–587 (2014)
17.
Murch, C., Chalup, S.: Combining edge detection and colour segmentation in the four-legged league. In: Australasian Conference on Robotics and Automation (ACRA 2004) (2004)
18.
Nair, V., Hinton, G.: Rectified linear units improve restricted Boltzmann machines. In: Proceedings of the 27th International Conference on Machine Learning (ICML 2010), pp. 807–814 (2010)
19.
Oquab, M.: Is object localization for free? Weakly-supervised learning with convolutional neural networks. In: Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, pp. 685–694 (2015)
20.
RoboCup-Team: RoboCup Soccer Humanoid League Rules and Setup (2015)
21.
Sermanet, P., Eigen, D., Zhang, X.: OverFeat: integrated recognition, localization and detection using convolutional networks. arXiv preprint arXiv:​1312.​6229 (2013)
22.
Szegedy, C., Reed, S., Sermanet, P., Vanhoucke, V., Rabinovich, A.: Going deeper with convolutions, pp. 1–12 (2014)
23.
Szirtes, G., Póczos, B., Lrincz, A.: Neural Kalman filter. Neurocomputing 65–66, 349–355 (2005)CrossRef
24.
Zhang, K., Liu, Q., Wu, Y., Yang, M.H.: Robust visual tracking via convolutional networks. CoRR abs/1501.0, pp. 1–18 (2015)
Metadaten
Titel
Ball Localization for Robocup Soccer Using Convolutional Neural Networks
verfasst von
Daniel Speck
Pablo Barros
Cornelius Weber
Stefan Wermter
Copyright-Jahr
2017
Buch
RoboCup 2016: Robot World Cup XX

Print ISBN: 978-3-319-68791-9

Electronic ISBN: 978-3-319-68792-6

Copyright-Jahr: 2017

DOI
https://doi.org/10.1007/978-3-319-68792-6_2