[논문 읽기] (2019) Self-supervised Transfer Learning for Instance Segmentation through Physical Interaction

목표

목표 키워드 : Self-supervised, suction, instance segmentation, 90% 이상의 정확도, RGBD 입력값, end-to-end

해당 논문 읽는 이유 : Self-supervised instance segmentation 방법에 대한 아이디어 이해 

요약

   이미지의 모르는 객체에 대한 Instance segmentation은 파지, 트래킹, 객체 분류와 같은 로봇 기술에 관련있는 것으로 간주되었다. 컴퓨터 비전 분야에서의 최근 연구는 다량의 손수 레이블된 데이터셋이 segmentation performance을 높일 수 있다는 것을 보여주었다. 새로운 환경에서 손수 데이터에 레이블을 다는 소모적인 작업에서 벗어나기 위해, 우리는 로봇의 전이학습을 제안한다. 해당 학습은 자기지도학습으로서 그들의 환경과 상호작용을 통해 객체를 분할한다. 우리의 로봇은 테이블에 놓인 알수없는 객체를 밀고, 객체 마스크 형태에 학습 레이블을 생성하기 위해 시각적 흐름으로부터의 정보를 사용한다. 이를 위해, 우리는 로봇에 의해 획득한 self-labeled 학습데이터로부터 instance segmentation을 하기 위해 이미 존재하는 DeepMask 네트워크를 미세 조정하여 사용한다. 우리는 실제 이미지 세트에 우리의 학습 네트워크(SelfDeepMask)를 평가한다. 여기서, SelfDeepMask는 DeepMask 네트워크보다 평균적으로 9.5% 높은 성과를 보여준다. 게다가, 우리는 레이블 노이즈에 더 잘 대응하기 위해 최신 연구를 우리의 연구와 결합하였다.

 

논문 읽기 보류 : 결국 Self-supervised 또한 data augmentation으로 얻은 다량의 dataset으로 지도학습한 것이라면 큰 의미가 없는 듯 하다. 결국 강화학습으로 가야하나.