当前计算机视觉的进步为对象检测和分割提供了强大的算法。但是，它们在训练样本和优化时间方面要求很高，因此不太适合在机器人技术中的应用。

arXiv.org最近的一篇论文提出了一种新的管道和训练协议，用于基于实例的对象分割，专为快速在线训练而设计。它允许通过在数据采集期间提取一组卷积特征并在第二步中使用它们来快速训练一组基于内核的分类器来缩短训练时间。

对两个公共数据集的广泛实验分析表明，所提出的方法比其竞争对手准确得多，同时需要相当的训练时间。它还允许获得类似于传统微调方法的准确性，同时训练得更快。例如，所提出的管道应用于iCub人形机器人。

机器人的视觉系统根据应用有不同的要求：它可能需要高精度或可靠性，受限于有限的资源或需要快速适应动态变化的环境。在这项工作中，我们专注于实例分割任务，并提供对不同技术的全面研究，这些技术允许在存在新对象或不同域的情况下调整对象分割模型。我们提出了一种用于快速实例分割学习的管道，专为数据流入的机器人应用程序而设计。它基于一种混合方法，利用预训练的CNN进行特征提取和快速训练基于内核的分类器。我们还提出了一种训练协议，该协议允许通过在数据采集期间执行特征提取来缩短训练时间。我们在两个机器人数据集上对提议的管道进行基准测试，并将其部署在一个真正的机器人上，即iCub类人机器人上。为此，我们将我们的方法调整为增量设置，其中机器人在线学习新对象。重现实验的代码可在GitHub上公开获得。