MARC

 008240612s2023      us  |||||||||||||||c||eng  d
■001000016934827
■00520240214101658
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798380333818
■035    ▼a(MiAaPQ)AAI30635362
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a621
■1001  ▼aSamani,  Ekta  Umesh.
■24510▼aTopological  Representations  for  Visual  Object  Recognition  in  Unseen  Indoor  Environments▼h[electronic  resource]
■260    ▼a[S.l.]:▼bUniversity  of  Washington.  ▼c2023
■260  1▼aAnn  Arbor  :▼bProQuest  Dissertations  &  Theses,  ▼c2023
■300    ▼a1  online  resource(162  p.)
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  85-03,  Section:  B.
■500    ▼aAdvisor:  Banerjee,  Ashis  G.
■5021  ▼aThesis  (Ph.D.)--University  of  Washington,  2023.
■506    ▼aThis  item  must  not  be  sold  to  any  third  party  vendors.
■520    ▼aObject  recognition  is  an  essential  component  of  visual  perception  tasks  that  help  robots  build  a  semantic-level  understanding  of  their  environment.  Although  deep  learning  methods  achieve  extraordinary  recognition  performance  in  previously  seen  environments,  they  are  insufficient  for  deployment  in  complex  and  continually-changing  environments  due  to  their  sensitivity  to  environmental  variations.  To  realize  the  goal  of  long-term  autonomy  in  robots,  we  need  perception  methods  that  go  beyond  statistical  correlation.  Therefore,  this  dissertation  focuses  on  developing  robust  object  recognition  methods  using  topological  methods  and  human-like  reasoning  mechanisms.We  begin  by  using  topologically  persistent  features,  which  capture  the  objects'  2D  shape  information  for  recognition  in  unseen  environments.  In  particular,  we  present  two  kinds  of  representations,  namely,  sparse  persistence  image  (PI)  and  amplitude,  computed  by  applying  persistent  homology  to  multi-directional  height  function-based  filtrations  (nested  sequences  of  cubical  complexes)  representing  the  objects'  segmentation  maps.  Using  a  benchmark  dataset,  we  demonstrate  that  sparse  PI  features  show  better  recognition  performance  in  unseen  environments  than  the  features  from  widely-used  deep  learning-based  feature  extractors.  On  a  new  dataset,  the  UW  Indoor  Scenes  (UW-IS)  dataset,  designed  to  test  object  recognition  performance  in  unseen  environments,  the  performance  of  sparse  PI  features  remains  relatively  unchanged  in  an  unseen  test  environment,  unlike  a  state-of-the-art  domain-adaptive  object  detection  method.Next,  we  propose  a  new  descriptor,  TOPS,  to  capture  the  3D  shape  information  of  point  clouds  generated  from  depth  images,  and  an  accompanying  recognition  framework,  THOR,  inspired  by  human  reasoning.  The  descriptor  employs  a  novel  slicing-based  approach  to  compute  topological  features  from  filtrations  of  simplicial  complexes  using  persistent  homology,  and  facilitates  reasoning-based  recognition  using  object  unity.  Apart  from  a  benchmark  dataset,  we  report  performance  on  a  new  dataset,  the  UW  Indoor  Scenes  (UW-IS)  Occluded  dataset,  curated  using  commodity  hardware  to  reflect  real-world  scenarios  with  different  environmental  conditions  and  degrees  of  object  occlusion.  THOR  outperforms  state-of-the-art  methods  on  both  the  datasets  and  achieves  substantially  higher  recognition  accuracy  for  all  the  scenarios  of  the  UW-IS  Occluded  dataset.Subsequently,  we  extend  the  TOPS  descriptor  to  incorporate  object  color  information  via  color  embeddings  and  obtain  the  TOPS2  descriptor.  The  color  embeddings  are  computed  by  leveraging  the  similarity  and  connectivity  between  colors  in  a  color  network  generated  using  the  Mapper  algorithm.  The  accompanying  THOR2  framework,  trained  entirely  on  synthetic  RGB-D  images  of  unoccluded  objects,  witnesses  considerable  performance  improvements  over  the  shape-based  THOR  framework  on  both  the  OCID  and  UW-IS  Occluded  datasets.  THOR2  also  achieves  substantially  higher  accuracy  than  a  state-of-the-art  vision  transformer  adapted  for  RGB-D  object  recognition  on  the  OCID  and  UW-IS  Occluded  dataset,  regardless  of  the  camera  orientation  and  environmental  conditions,  respectively.  Therefore,  the  approaches  presented  in  this  work,  which  have  also  been  successfully  implemented  on  a  low-cost  robot,  lay  the  foundation  for  achieving  robust  object  recognition  in  unseen  environments  using  computational  topology  tools.
■590    ▼aSchool  code:  0250.
■650  4▼aMechanical  engineering.
■650  4▼aRobotics.
■650  4▼aComputer  engineering.
■653    ▼aAI-enabled  robotics
■653    ▼aObject  recognition
■653    ▼aRGB-D  perception
■653    ▼aTopological  data  analysis
■690    ▼a0548
■690    ▼a0771
■690    ▼a0464
■71020▼aUniversity  of  Washington▼bMechanical  Engineering.
■7730  ▼tDissertations  Abstracts  International▼g85-03B.
■773    ▼tDissertation  Abstract  International
■790    ▼a0250
■791    ▼aPh.D.
■792    ▼a2023
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T16934827▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.
■980    ▼a202402▼f2024

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서