Login for students

Login for employees

Publication detail

Suitable ASP U-Net training algorithms for grasping point detection of nontrivial objects
Year: 2022
Type of publication: článek ve sborníku
Name of source: 2022 8th International Conference on Control, Decision and Information Technologies (CoDIT) : proceedings
Publisher name: IEEE (Institute of Electrical and Electronics Engineers)
Place: New York
Page from-to: 1586-1591
Titles:
Language Name Abstract Keywords
cze Vhodné trénovací algoritmy pro detekci úchopových bodů pomocí ASP U-Net Robotická manipulace s netriviálními nebo nepravidelnými objekty, které poskytují různé typy úchopových bodů, je předmětem zájmu akademické sféry i průmyslu. Nedávno byla navržena výkonná datově řízená hluboká neuronová síť ASP U-Net pro detekci dostupných úchopových bodů manipulovaných objektů pomocí vizuálních dat. ASP U-Net prokázala schopnost detekovat proveditelné úchopové body s výjimečnou přesností a více než přijatelnou dobou inference. Síť byla dosud trénována pouze pomocí Adam algoritmu. Pro optimální využití potenciálu sítě ASP U-Net však bylo nutné provést systematický průzkum vhodných tréninkových algoritmů. Cílem tohoto příspěvku proto bylo rozšířit vliv ASP U-Net doporučením vhodných tréninkových algoritmů a jejich parametrů na základě výsledků trénovacích experimentů. ASP U-Net
eng Suitable ASP U-Net training algorithms for grasping point detection of nontrivial objects Robotic manipulation with nontrivial or irregular objects, which provide various types of grasping points, is of both academic and industrial interest. Recently, a powerful data-driven ASP U-Net deep neural network has been proposed to detect feasible grasping points of manipulated objects using RGB data. The ASP U-Net showed the ability to detect feasible grasping points with exceptional accuracy and more than acceptable inference times. So far, the network has been trained using an Adam optimizer only. However, in order to optimally utilize the potential of ASP U-Net, it was necessary to perform a systematic investigation of suitable training algorithms. Therefore, the aim of this contribution was to extend the impact of ASP U-Net by recommending suitable training algorithms and their parameters based on the result of training experiments. ASP U-Net

Department

Map

en.mapy.cz

Services

Popular Links

© 2023 University of Pardubice, Studentská 95, 532 10 Pardubice 2
Phone: +420 466 036 111, 466 036 112, 466 036 113
Webmaster, RSS
Data box ID: f5vj9hu
Accessibility Statement
CC BY-NC-ND 4.0Creative CommonsAttributionNonCommercialNoDerivatives