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:
Learning Robot Navigation Behaviors by Demonstration Using a RRT Planner Kapitel lesen Erstes Kapitel lesen

2016 | OriginalPaper | Buchkapitel

Data Augmentation for Object Recognition of Dynamic Learning Robot

verfasst von : Jiunn Yuan Chan, Shuzhi Sam Ge, Chen Wang, Mingming Li

Erschienen in: Social Robotics

Verlag: Springer International Publishing

Einloggen

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

search-config
loading …

Abstract

The training of deep learning networks for robot object recognition requires a large database of training images for satisfactory performance. The term “dynamic learning” in this paper refers to the ability of a robot to learn new features under offline conditions by observing its surrounding objects. A training framework for robots to achieve object recognition with satisfactory performance under offline training conditions is proposed. A coarse but fast method of object saliency detection is developed to facilitate raw image collection. Additionally, a training scheme referred to as a Dynamic Artificial Database (DAD) is proposed to tackle the problem of overfitting when training neural networks without validation data.

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 Collaborative Visual Object Tracking via Hierarchical Structure
Nächstes Kapitel Rotational Coordinate Transformation for Visual-Inertial Sensor Fusion
Literatur
1.
Kanazawa, A., Sharma, A., Jacobs, D.: Locally scale-invariant convolutional neural networks (2014). arXiv preprint. arXiv:​1412.​5104
2.
Heisele, B., Kim, G., Meyer, A.: Object recognition with 3d models. In: BMVC, pp. 1–11. Citeseer (2009)
3.
Zhang, Y., Sohn, K., Villegas, R., Pan, G., Lee, H.: Improving object detection with deep convolutional networks via bayesian optimization and structured prediction. In: Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, pp. 249–258 (2015)
4.
Girshick, R., Donahue, J., Darrell, T., Malik, J.: Rich feature hierarchies for accurate object detection and semantic segmentation. In: Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, pp. 580–587 (2014)
5.
Harzallah, H., Jurie, F., Schmid, C.: Combining efficient object localization and image classification. In: 2009 IEEE International Conference on Computer Vision, pp. 237–244. IEEE (2009)
6.
Goehring, D., Hoffman, J., Rodner, E., Saenko, K., Darrell, T.: Interactive adaptation of real-time object detectors. In: 2014 IEEE International Conference on Robotics and Automation (ICRA), pp. 1282–1289. IEEE (2014)
7.
Murphy, K., Torralba, A., Eaton, D., Freeman, W.: Object detection and localization using local and global features. In: Ponce, J., Hebert, M., Schmid, C., Zisserman, A. (eds.) Toward Category-Level Object Recognition. LNCS, vol. 4170, pp. 382–400. Springer, Heidelberg (2006). doi:10.​1007/​11957959_​20 CrossRef
8.
9.
Cheng, M., Mitra, N.J., Huang, X., Torr, P.H., Hu, S.: Global contrast based salient region detection. IEEE Trans. Pattern Anal. Mach. Intell. 37(3), 569–582 (2015)CrossRef
Metadaten
Titel
Data Augmentation for Object Recognition of Dynamic Learning Robot
verfasst von
Jiunn Yuan Chan
Shuzhi Sam Ge
Chen Wang
Mingming Li
Copyright-Jahr
2016
Buch
Social Robotics

Print ISBN: 978-3-319-47436-6

Electronic ISBN: 978-3-319-47437-3

Copyright-Jahr: 2016

DOI
https://doi.org/10.1007/978-3-319-47437-3_41