手抓握回归中对象群体分布偏移的新基准：元学习能否提高标准？
计算机视觉与模式识别
2022-11-02 v1 机器学习
摘要
利用计算机视觉理解手-物姿态为混合现实、辅助生活和人机交互中的新应用打开了大门。大多数方法在平衡数据集上训练和评估。这在真实世界应用中用途有限；这些方法在未知对象上的野外表现如何？我们提出了一种用于手和物体姿态回归中对象群体分布偏移的新基准。然后我们检验以下假设：对基线姿态回归神经网络进行元学习能够适应这些偏移并更好地泛化到未知对象。我们的结果显示，根据先验知识的多少，相对于基线有可测量的改进。对于联合手-物姿态回归任务，我们观察到元学习器的优化干扰。为解决此问题并进一步改进方法，我们提供了全面分析，应作为未来在该基准上工作的基础。
引用
@article{arxiv.2211.00110,
title = {A new benchmark for group distribution shifts in hand grasp regression for object manipulation. Can meta-learning raise the bar?},
author = {Théo Morales and Gerard Lacey},
journal= {arXiv preprint arXiv:2211.00110},
year = {2022}
}
备注
Workshop on Distribution Shifts, 36th Conference on Neural Information Processing Systems (NeurIPS 2022)