Sistema IA avanzado para detección precisa de objetos en entornos abarrotados

La visión robótica ha recorrido un largo camino, alcanzando un nivel de sofisticación con aplicaciones en tareas complejas y exigentes, como conducción autónoma y manipulación de objetos. Sin embargo, todavía lucha para identificar objetos individuales en escenas abarrotadas donde algunos objetos están parcial o completamente ocultos detrás de otros. Típicamente, al tratar tales escenas, los sistemas de visión robótica se entrenan para identificar el objeto ocluido basándose solo en sus partes visibles. Pero tal entrenamiento requiere grandes datasets de objetos y puede ser tedioso.

El Profesor Asociado Kyoobin Lee y el estudiante de doctorado Seunghyeok Back del Gwangju Institute of Science and Technology en Corea del Sur se encontraron enfrentando este problema cuando desarrollaban un sistema de inteligencia artificial para identificar y clasificar objetos en escenas abarrotadas. «Esperamos que un robot reconozca y manipule objetos que no han encontrado antes o sido entrenados para reconocer. En realidad, sin embargo, necesitamos recopilar y etiquetar datos manualmente uno por uno ya que la generalización de redes neuronales profundas depende altamente de la calidad y cantidad del dataset de entrenamiento», dijo Back.

En un nuevo estudio, liderado por Prof. Lee y Back, desarrollaron un modelo llamado «unseen object amodal instance segmentation» (UOAIS) para detectar objetos ocluidos en escenas abarrotadas. Para entrenar el modelo en identificar geometría de objeto, desarrollaron una base de datos conteniendo 45.000 imágenes sintéticas fotorrealistas con información de profundidad. Con estos (limitados) datos de entrenamiento, el modelo fue capaz de detectar una variedad de objetos ocluidos. Al encontrar una escena abarrotada, primero selecciona el objeto de interés y luego determina si el objeto está ocluido segmentando el objeto en una «máscara visible» y una «máscara amodal».

Los investigadores estaban entusiasmados con los resultados. «Métodos previos están limitados a detectar solo tipos específicos de objetos o detectar solo regiones visibles sin razonar explícitamente sobre áreas ocluidas. Por el contrario, nuestro método puede inferir las regiones ocultas de objetos ocluidos como un sistema de visión humano. Esto permite reducir esfuerzos de recopilación de datos mientras mejora rendimiento en entorno complejo», dijo Back.

Para habilitar el «razonamiento de oclusión» en su sistema, los investigadores introdujeron un esquema de «modelado de oclusión jerárquico» (HOM), que asignó una jerarquía a la combinación de múltiples características extraídas y su orden de predicción. Al testar su modelo contra tres benchmarks, validaron la efectividad del esquema HOM, que logró rendimiento state-of-the-art.

Los investigadores son optimistas sobre las perspectivas futuras de su método. «Percebir objetos no vistos en entorno abarrotado es esencial para manipulación robótica amodal. Nuestro método UOAIS podría servir como baseline en este frente», dijo Back.

Para más información, contacte a Seulhye Kim, Gwangju Institute of Science and Technology, en This email address is being protected from spambots. You need JavaScript enabled to view it.; 82-627-156-253.