Exploiting semantic knowledge for robot object recognition

  文章将contextual relations作为语义知识（semantic knowledge）的表现形式，整合至机器人物体识别当中，得以改善依赖于感知特征的传统物体识别方法。

主要贡献：

1. 减少由于普通收集大量的训练样本任务需要所需大量时间
2. 本体描述语言对于人来说是可以理解的。因此可以扩展至其他的对象类别，来生成人工样本，进而训练条件随机场。这一步骤只需要几分钟就可以完成。
3. 识别的物体都被锚定上了语义标签，因此可以用于机器人高层任务执行如推理、任务规划

整体框架：

核心在于左半部分的语义知识的确定、训练样本的生成、条件随机场的训练。

1.基于本体表示的语义知识主要是通过人来确立，甚至可以引用crowd-sourcing（众包），使用软件protege，可以绘制出原文Fig.3图片

2.训练样本的生成，以下四个步骤

• 场景中包含的物体

在人工场景中，物体的出现与否可以通过关系has_frecuencyOfOcurrence来描述。一个物体在场景中出现的概率可以好自己有物体在整个数据集样本中的频率得到。

• 物体特征

本体里面的概念可以使物体的几何特征具体化。物体的特征如has_area、has_centroidHeight、has_elongation、has_orientatin可以被认为是均值为µ，标准差为σ的高斯分布，这些人工特征通过f_s(l_i)来计算，参与计算unary_potential。

• context creation

物体之间的上下文关系通过is_nearTo特性和frequency来建立。具体参考fig.4

• context 特征

依照步骤3)定义的上下文关系，可以得出这些特征之间的差异。比如说中心高度差异，区域大小，垂直关系，朝向等等。这一步主要是针对于物体之间的，因此得到的g_s(f_i,f_j)参与计算pairwise_potential

3.模型训练，训练一个条件随机场CRF最后得到的是权重向量ω以及参数θ。

实验评价：

实验一共分为如下部分。整体来说，实验设计横、纵向对比十分丰富，充分说明基于上下文关系的语义知识对于物体识别效果的改善

准确度、召回率

与别人实验设计的条件随机场对比

上下文关系对于performance的贡献

哪种pairwise特征使得物体最容易区分

数据集大小对识别效果的影响

人工处理之后的数据对于真实物体辨识度如何

计算消耗computation

耗时对比