面向少样本类增量学习的主动类选择
机器人学
2023-07-07 v1 计算机视觉与模式识别
机器学习
摘要
对于真实世界应用，机器人将需要通过与用户的有限交互在其环境中持续学习。为此，少样本类增量学习（FSCIL）与主动类选择（ACS）的已有工作在受限设定下取得了有前景的结果。因此，本文结合FSCIL与ACS的思想，开发了一种新颖框架，使自主智能体能够通过请用户仅标注环境中信息量最大的少数对象来持续学习新物体。为此，我们基于一个最先进（SOTA）的FSCIL模型，并借助ACS文献中的技术对其扩展。我们将此模型称为少样本增量主动类选择（FIASco）。我们进一步将基于势场的导航技术集成到模型中，以开发一个完整框架，使智能体能够通过FIASco模型处理并推理其传感数据、导航至环境中信息量最大的对象、通过传感器收集该对象数据并增量更新FIASco模型。在仿真智能体与真实机器人上的实验结果表明了我们的方法对长期真实世界机器人应用的重要意义。
引用
@article{arxiv.2307.02641,
title = {Active Class Selection for Few-Shot Class-Incremental Learning},
author = {Christopher McClurg and Ali Ayub and Harsh Tyagi and Sarah M. Rajtmajer and Alan R. Wagner},
journal= {arXiv preprint arXiv:2307.02641},
year = {2023}
}
备注
Accepted at the Conference on Lifelong Learning Agents (CoLLAs), 2023