原文名称

End-to-end Trainable Deep Neural Network for Robotic Grasp Detection and Semantic Segmentation from RGB

写在前面

⭐⭐⭐本篇是上述论文的略读笔记，本篇论文原文中网络结构和训练过程介绍的比较清晰，而且本篇论文在github由代码，这里只是本人略读后整理出的一些信息，后续如果精读再更新

摘要

• Tip1: 本文是针对平行夹具机械爪的抓取预测（实际预测结果如下图），是一种端到端可训练的CNN网络
  

• Tip2: 提出一个模块，利用先前计算的抓取检测候选信息和语义分割结合，提高抓取准确率

• Tip3: 扩展了OCID数据集，使可以抓取场景中的特定对象

相关工作

机器人抓取检测

• 抓取检测方面，本篇采用传统的g=(x,y,w,h,θ)来描述抓取框（x,y为抓取中心点；w，h为矩形抓取框宽高；θ为抓取框鱼水平的夹角）

语义分割

• Tip1: 语义分割的任务是为图像中的每个像素指定一个类别标签
• Tip2: 对于不可见的抓取检测，将语义集定义为{可抓取、不可抓取}

方法

• 网络结构如下，通过共享backbone提取特征，分别进行抓取检测和语义分割，将两者结合，提高抓取准确性
  

Backbone

• BackBone采用的是作者微改的ResNet-101

抓取检测

• 抓取检测部分基于Faster-RCNN，由RPN和检测结构组成

语义分割

• 主要用到Mini-DeepLab模块

融合head

• 这部分主要是将将前两个head的信息结合起来，通过MLP得到最终的五维输出
• ⭐ 这里是通过MLP将抓取候选对象的几何信息与有关对象形状的信息相结合
  

总结

• Tip1: 提出新的CNN结构，共享backbone提取特征，联合抓取检测和语义分割
• Tip2: 在复杂场景中保持抓取的高精度
• Tip3: 展示了如何通过语义分割将候选对象分配给特定对象（将候选对象分配给指定对象，从而获取场景中的特定对象）