HOWS-CL-25

HOWS-CL-25 ist ein synthetischer Datensatz, welcher speziell für die Objekt-Klassifizierung von mobilen Robotern erstellt wurde, welche sich oft in ständig ändernden Umgebungen (wie etwa in einem Haushalt) aufhalten, in welchen es wichtig ist, neue, bisher unbekannte Objekte hinzulernen zu können.

Alle 25 Kategorien des HOWS-CL-25-Datensatzes
DownloadDownload

Details

HOWS-CL-25 (Household Objects Within Simulation dataset for Continual Learning) ist ein synthetischer Datensatz, welcher speziell für die Objekt-Klassifizierung von mobilen Robotern erstellt wurde, welche sich oft in ständig ändernden Umgebungen (wie etwa in einem Haushalt) aufhalten, in welchen es wichtig ist, neue, bisher unbekannte Objekte hinzulernen zu können. Dieser Datensatz kann jedoch auch für andere Learning Use-Cases verwendet werden z. B. Instance Segmentation oder Tiefenschätzungen (Depth Estimation). Oder dort wo Haushaltsobjekte bzw. kontinuierliches Lernen von Interesse ist. HOWS enthält 150795 RGB Bilder mit 25 Kategorien und über 925 Instanzen von Haushaltsgegenständen, sowie jeweils ein normalen-, tiefen- und segmentierungs Bild. Der Datensatz wurde erstellt mit Blenderproc und kann über Zenodo.

Für weitere Informationen besuchen Sie bitte unser GitHub-Repository und unser IROS-Paper.

Download Link: https://zenodo.org/record/7189434

Lizenz (für die Daten): https://creativecommons.org/licenses/by/4.0/legalcode

Falls Sie HOWS in einem Forschungsprojekt oder Publikation verwenden möchten, zitieren Sie uns bitte wie folgt:

@article{knauer2022recall, title={RECALL: Rehearsal-free Continual Learning for Object Classification}, author={Knauer, Markus and Denninger, Maximilian and Triebel, Rudolph}, journal={IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS)}, doi={10.1109/IROS47612.2022.9981968} year={2022} }

@dataset{knauer2022hows, title={HOWS-CL-25: Household Objects Within Simulation Dataset for Continual Learning}, author={Knauer, Markus and Denninger, Maximilian and Triebel, Rudolph}, publisher={Zenodo}, year={2022} doi={10.5281/zenodo.7189434} url={https://doi.org/10.5281/zenodo.7189434 }

Publikationen

  • https://github.com/DLR-RM/RECALL
  • Markus Wendelin Knauer, Maximilian Denninger, Rudolph Triebel, "RECALL: Rehearsal-free Continual Learning for Object Classification", in: IEEE/RSJ. IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS 2022), 24-26 Oct 2022, Kyoto, Japan [elib]
  • Maximilian Denninger, Dominik Winkelbauer, Martin Sundermeyer, Wout Boerdijk, Markus Knauer, Markus Wendelin, Klaus H. Strobl, Matthias Humt, Rudolph Triebel,"BlenderProc2: A Procedural Pipeline for Photorealistic Rendering", 8 (82), p. 4901, Februar, 2023. [elib]
  • Markus Wendelin Knauer, Maximilian Denninger, Rudolph Triebel, "RECALL: Rehearsal-free Continual Learning for Object Classification", in: IEEE/RSJ. IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS 2022), 24-26 Oct 2022, Kyoto, Japan [elib]