The pathway to other computer-vision implementations was opened by sophisticated
machine learning methods and simultaneous computing. In particular, the use of
neural networks to control temporal information and to use the interaction of human
robots for incremental learning. The world is interpreted across time, and time-indexed
trajectories execute functions. The deep learning group typically ignored this valuable
property. Rather, the emphasis is on developing metrics on single picture tasks or
reviewing batch images. Real-time video processing got less coverage. Yet that's just
what machines need. Processing single photographs does not have adequate details to
track the world and process a batch of pictures.
In order to presume the last segmentation of the file, this network format requires a
sequence of images that begin with the current image. We learned how to build and
train these networks end-to - end. An detailed series of studies was produced on
different systems and benchmarks. We found significant progress over non-recurring
equivalents using RFCNN. While not restricted to robots, their influence is most
evident. Mostly because robotics need to practice complex logic using minimal train
details. This mixture contributes to extreme overfitting in a significantly different area
during the study. Simulated results and specific output checks verify the device. We
noticed that teaching the robot new things is simple for us, and later the robot would
understand and use this knowledge.
Keywords : Deep Learning, Robotic
ÖZ:
Gelişmiş makine öğrenimi teknikleri ve eşzamanlı hesaplama, diğer bilgisayarla
görme uygulamalarının kapısını açtı. Sonuç olarak bilgisayar görüşü hızla ilerlemesine
rağmen, robotik biliminin gerçek dünyadaki uygulamaları kadar etkili değildir. Bu
makalede, bu konunun iki makul tetikleyicisini tartışıyor ve alternatif çözümler
sunuyoruz. Spesifik olarak, zamansal bilgiyi yönetmek için sinir ağlarını kullanmak ve
kademeli öğrenme için insan robot etkileşimini kullanmak gerekir. Dünya zaman
içinde yorumlanır ve zaman indeksli yörüngeler işlevleri yerine getirir. Derin öğrenme
grubu tipik olarak bu değerli yapıyı görmezden geldi. Bunun yerine, tek resimli
görevler için metrikler geliştirmek veya toplu görüntüleri gözden geçirmek
vurgulanmaktadır. Gerçek zamanlı video işleme daha az kapsam kazandı.Yine de
makinelerin ihtiyacı olan şey bu. Tek bir fotoğrafın işlenmesi, dünyayı izlemek ve bir
grup fotoğrafı işlemek için yeterli ayrıntıya sahip değildir.
Gerçek zamanlı strateji ve karar verme ile ertelendi. Bu sorunu çözmek için, çeşitli
robotik senaryolarda çok yararlı olan, segmentasyon için tekrar eden tamamen
evrişimli bir sinir ağı (RFCNN) öneriyoruz. Bu ağ biçimi, son görüntü
segmentasyonunu varsaymak için mevcut resimden başlayarak bir dizi görüntüyü
kapsar. Bu ağları uçtan uca nasıl inşa edeceğimizi ve eğiteceğimizi öğrendik. Farklı
sistemler ve kıyaslamalar üzerine detaylı bir dizi çalışma üretildi. RFCNN kullanarak
tekrar etmeyen eşdeğerlere göre önemli ilerleme bulduk. Derin öğrenme yaklaşımları,
erişilebilir en popüler makine öğrenimi çözümleri olsa da, eğitim ve test arasındaki
veri dağıtımında yaşanan değişimden muzdariptir. Robotlarla sınırlı olmamakla
birlikte, etkileri en belirgindir. Bu karışım, çalışma sırasında önemli ölçüde farklı bir
alanda aşırı uyuma katkıda bulunur. Bu sorunu hafifletmek için, robotun İnsan-Robot
Etkileşimi (HRI) aracılığıyla yeni algı bilgileri hakkında düşünebileceği yeni bir model
öneriyoruz. Sesi kullanarak insan dostu iletişim için eksiksiz bir HRI programı ve
Geste kullanılmaktadır. İnsan geribildirimini kullanarak, bir nesne algılama ağını
geliştirmek için aşamalı bir öğrenme yaklaşımı oluşturulur. Simüle sonuçlar ve gerçek
performans testleri cihazı kontrol eder. İnsanların robota kolayca yeni şeyler
öğretebileceğini ve daha sonra robotun bu bilgiyi bilip kullanacağını gösterdik.
Anahtar Kelimeler: Derin Öğrenme, Robotik
