Sistem Kecerdasan Buatan untuk Mengidentifikasi Objek dalam Pemandangan yang Berantakan
Visi robot telah berkembang jauh, mencapai tingkat kecanggihan dengan aplikasi dalam tugas yang kompleks dan menuntut, seperti mengemudi otonom dan manipulasi objek. Namun, masih berjuang untuk mengidentifikasi objek individu dalam adegan berantakan di mana beberapa objek sebagian atau seluruhnya tersembunyi di belakang yang lain. Biasanya, ketika berhadapan dengan pemandangan seperti itu, sistem penglihatan robot dilatih untuk mengidentifikasi objek yang terhalang hanya berdasarkan bagian yang terlihat. Namun pelatihan semacam itu membutuhkan kumpulan data objek yang besar dan bisa jadi membosankan.
Associate Professor Kyoobin Lee dan Ph.D. mahasiswa Seunghyeok Back dari Institut Sains dan Teknologi Gwangju di Korea Selatan menemukan diri mereka menghadapi masalah ini ketika mereka mengembangkan sistem kecerdasan buatan untuk mengidentifikasi dan menyortir objek dalam adegan yang berantakan. “Kami mengharapkan robot untuk mengenali dan memanipulasi objek yang belum pernah mereka temui sebelumnya atau dilatih untuk mengenali. Namun, pada kenyataannya, kita perlu mengumpulkan dan memberi label data satu per satu secara manual karena generalisasi jaringan saraf dalam sangat bergantung pada kualitas dan kuantitas kumpulan data pelatihan,” kata Back.
Dalam sebuah studi baru, yang dipimpin oleh Prof. Lee dan Back, mereka mengembangkan model yang disebut "segmentasi contoh amodal objek tak terlihat" (UOAIS) untuk mendeteksi objek yang terhalang dalam adegan yang berantakan. Untuk melatih model dalam mengidentifikasi geometri objek, mereka mengembangkan database yang berisi 45.000 gambar sintetis fotorealistik yang berisi informasi kedalaman. Dengan data pelatihan (terbatas) ini, model dapat mendeteksi berbagai objek oklusi. Setelah menemukan pemandangan yang berantakan, pertama-tama ia memilih objek yang diinginkan dan kemudian menentukan apakah objek tersebut terhalang dengan mengelompokkan objek menjadi "topeng yang terlihat" dan "topeng amodal".
Para peneliti sangat senang dengan hasilnya. “Metode sebelumnya terbatas pada hanya mendeteksi jenis objek tertentu atau hanya mendeteksi area yang terlihat tanpa secara eksplisit mempertimbangkan area yang tersumbat. Sebaliknya, metode kami dapat menyimpulkan daerah tersembunyi dari objek tertutup seperti sistem penglihatan manusia. Hal ini memungkinkan pengurangan upaya pengumpulan data sekaligus meningkatkan kinerja di lingkungan yang kompleks,” kata Back.
Untuk mengaktifkan "penalaran oklusi" dalam sistem mereka, para peneliti memperkenalkan skema "pemodelan oklusi hierarkis" (HOM), yang menetapkan hierarki ke kombinasi beberapa fitur yang diekstraksi dan urutan prediksinya. Dengan menguji model mereka terhadap tiga tolok ukur, mereka memvalidasi keefektifan skema HOM, yang mencapai kinerja mutakhir.
Para peneliti berharap tentang prospek masa depan metode mereka. “Merasakan objek yang tidak terlihat di lingkungan yang berantakan sangat penting untuk manipulasi robotik amodal. Metode UOAIS kami dapat berfungsi sebagai dasar dalam hal ini,” kata Back.
Untuk informasi lebih lanjut, hubungi Seulhye Kim, Institut Sains dan Teknologi Gwangju, di Alamat email ini dilindungi dari robot spam. Anda perlu mengaktifkan JavaScript untuk melihatnya.; 82-627-156-253.
