详细内容或原文请订阅后点击阅览
足球检测及以后的自我监督学习：与Robocup 2025最佳纸张奖的获奖者的访谈
在Robocup 2025研讨会上获得最佳纸张奖。自主足球机器人的一个重要方面涉及对球的准确检测。这是Can Lin，Daniele Affinita，Marco Zimmatore，Daniele Nardi，Domenico Bloisi和Vincenzo Suriani的工作重点，后者在最近的Robocup研讨会上获得了最佳纸质奖。 […]
来源:ΑΙhub在Robocup 2025研讨会上获得最佳纸张奖。
自主足球机器人的一个重要方面涉及对球的准确检测。这是Can Lin，Daniele Affinita，Marco Zimmatore，Daniele Nardi，Domenico Bloisi和Vincenzo Suriani的工作重点，后者在最近的Robocup研讨会上获得了最佳纸质奖。该研讨会与今年在巴西萨尔瓦多举行的年度Robocup比赛一起举行。我们赶上了一些作者，以了解有关工作的更多信息，如何将其方法转移到Robocup以外的应用程序以及他们的未来竞争计划。
can lin，Daniele Affinita，Marco Zimmatore，Daniele Nardi，Domenico Bloisi， Vincenzo Suriani 研讨会 Robocup竞赛 Robocup您是否可以简要说明您试图在论文中解决问题的简要说明“自我监管的功能提取提取以增强足球机器人的探测”？
Daniele Affinita：我们面临的主要挑战是，深度学习通常需要大量标记的数据。对于已经研究的常见任务而言，这不是一个主要问题，因为您通常可以在线找到标有标签的数据集。但是，当任务非常具体时，例如在Robocup中，您需要自己收集和标记数据。这意味着在您甚至可以开始应用深度学习之前收集数据并手动注释。这个过程是不可扩展的，需要大量的人类努力。
Daniele Affinita：我们论文背后的想法是减少这种人类的努力。我们通过自我监督的学习解决了问题，该学习旨在学习数据的有用表示。毕竟，深度学习本质上是关于从可用数据中学习潜在表示。
您能告诉我们更多有关您的自我监督学习框架以及如何开发它的信息吗？
daniele： 借口任务 老师数据准备管道的概述。
Domenico Blois：SPQR团队。
，