3D_DEN：基于动态可扩展网络的开集 3D 物体识别
计算机视觉与模式识别
2021-03-17 v2 机器学习
机器人学
摘要
服务机器人通常须独立工作并实时适应环境中发生的动态变化。此类场景中的一个重要方面是，在新型物体类别出现时能够持续学习识别它们。这结合了两个主要研究问题，即持续学习与 3D 物体识别。现有研究多使用深度卷积神经网络（CNNs）并聚焦于图像数据集。对于持续学习 3D 物体类别，可能需要一种改进的方法。使用 CNNs 的一个主要问题是当模型尝试学习新任务时的灾难性遗忘。尽管已提出各种缓解该问题的方案，此类方案仍存在一些缺陷，例如计算复杂度高，尤其在学习任务数量较多时。这些缺陷会在实时响应起关键作用的机器人场景中引发重大问题。为应对此挑战，我们提出一种基于动态架构方法的深度迁移学习新方法，使机器人能够开集学习新的 3D 物体类别。此外，我们确保上述缺陷在极大程度上被最小化。实验结果表明，所提模型在准确率上优于 SOTA 方法，并大幅降低了计算开销。
引用
@article{arxiv.2009.07213,
title = {3D_DEN: Open-ended 3D Object Recognition using Dynamically Expandable Networks},
author = {Sudhakaran Jain and Hamidreza Kasaei},
journal= {arXiv preprint arXiv:2009.07213},
year = {2021}
}