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:
Progress on “Pico” Air Vehicles Kapitel lesen Erstes Kapitel lesen

2017 | OriginalPaper | Buchkapitel

Unsupervised 3D Object Discovery and Categorization for Mobile Robots

verfasst von : Jiwon Shin, Rudolph Triebel, Roland Siegwart

Erschienen in: Robotics Research

Verlag: Springer International Publishing

Einloggen

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

search-config
loading …

Abstract

We present a method for mobile robots to learn the concept of objects and categorize them without supervision using 3D point clouds from a laser scanner as input. In particular, we address the challenges of categorizing objects discovered in different scans without knowing the number of categories. The underlying object discovery algorithm finds objects per scan and gives them locally-consistent labels. To associate these object labels across all scans, we introduce class graph which encodes the relationship among local object class labels. Our algorithm finds the mapping from local class labels to global category labels by inferring on this graph and uses this mapping to assign the final category label to the discovered objects. We demonstrate on real data our algorithm’s ability to discover and categorize objects without supervision.

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 Opportunities and Challenges with Autonomous Micro Aerial Vehicles
Nächstes Kapitel Probabilistic Collision Detection Between Noisy Point Clouds Using Robust Classification
Fußnoten
1
A discovered object is considered true positive if it originates from a real object and false positive if it is not a real object. False negative count is when a real object is not discovered.
 
2
In computing precision and recall, we did not take into consideration the correctness of the category labels. Any real object that got categorized was considered true regardless of its label.
 
Literatur
1.
S. Bagon, O. Brostovski, M. Galun, M. Irani, Detecting and sketching the common. IEEE Comput. Vis. Pattern Recognit. (2010)
2.
M. Cho, Y. Shin, K. Lee, unsupervised detection and segmentation of identical objects. IEEE Comput. Vis. Pattern Recognit. (2010)
3.
G. Csurka, C. Bray, C. Dance, L. Fan, Visual categorization with bags of keypoints. in Workshop on Statistical Learning in Computer Vision, ECCV (2004)
4.
F. Endres, C. Plagemann, C. Stachniss, W. Burgard, Unsupervised discovery of object classes from range data using latent Dirichlet allocation. in Proceedings of Robotics: Science and Systems (2009)
5.
6.
S. Frintrop, A. Nuechter, H. Surmann, J. Hertzberg, Saliency-based object recognition in 3D data. in IEEE/RSJ International Conference on Intelligent Robots and Systems (2004)
7.
L. Itti, C. Kock, and E. Niebur, A model of saliency-based visual attention for rapid scene analysis. IEEE Trans. Pattern Anal. Mach. Learn. 20(11), 1254–1259 (1998)
8.
A.E. Johnson, M. Hebert, Using spin images for efficient object recognition in cluttered 3D scenes.IEEE Trans. Pattern Anal. Mach. Learn. 21(5), 433–449 (1999)
9.
J. Lafferty, A. McCallum, F. Pereira, Conditional random fields: probabilistic models for segmenting and labeling sequence data. in Proceedings of International Conference on Machine Learning (2001)
10.
T. Leung, J. Malik, Representing and recognizing the visual appearance of materials using three-dimensional textons. Int. Conf. Comput. Vis. (1999)
11.
A. Ng, M. Jordan, Y. Weiss, On spectral clustering: analysis and an algorithm. Adv. Neural Inform. Process. Syst. (2002)
12.
13.
M. Ruhnke, B. Steder, G. Grisetti, W. Burgard, Unsupervised learning of 3D object models from partial views. in IEEE International Conference on Robotics and Automation. Kobe, Japan (2009)
14.
A. Rosenberg, J. Hirschberg, V-measure: a conditional entropy-based external cluster evaluation measure. in Joint Conference on Empirical Methods in Natural Language Processing and Computational Natural Language Learning (2007)
15.
J. Sivic, B. Russell, A. Efros, A. Zisserman, W. Freeman, Discovering object categories in image collections. in Proceedings of the International Conference on Computer Vision(2005)
16.
L. Spinello, R. Triebel, D. Vasquez, K. Arras, R. Siegwart, Exploiting repetitive object patterns for model compression and completion. Eur. Conf. Comput. Vis. (2010)
17.
R. Triebel, J. Shin, R. Siegwart, Segmentation and unsupervised part-based discovery of repetitive objects. in Proceedings of Robotics: Science and Systems (2010)
18.
C. Westin, S. Peled, H. Gudbjartsson, R. Kikinis, F. Jolesz, Geometrical diffusion measures for mri from tensor basis analysis. in Proceedings of ISMRM ’97(1997)
Metadaten
Titel
Unsupervised 3D Object Discovery and Categorization for Mobile Robots
verfasst von
Jiwon Shin
Rudolph Triebel
Roland Siegwart
Copyright-Jahr
2017
Buch
Robotics Research

Print ISBN: 978-3-319-29362-2

Electronic ISBN: 978-3-319-29363-9

Copyright-Jahr: 2017

DOI
https://doi.org/10.1007/978-3-319-29363-9_4

Neuer Inhalt

    Bildnachweise