通过聚类提升深度开放世界识别性能
计算机视觉与模式识别
2020-12-01 v2 机器人学
摘要
尽管卷积神经网络为机器人视觉带来了显著进展，其能力常受限于封闭世界场景，即待识别语义概念的数量由可用训练集决定。由于在实践中不可能在单一训练集中涵盖真实世界所有可能出现的语义概念，我们需要打破封闭世界假设，使机器人具备在开放世界中行动的能力。为提供此种能力，机器人视觉系统应能够（i）识别某实例是否属于已知类别集合之外（即开放集识别），以及（ii）随时间扩展知识以学习新类（即增量学习）。在本工作中，我们展示了如何通过一种新的损失函数设计来提升深度开放世界识别算法的性能，该设计强制实现类特定特征的全局到局部聚类。具体而言，第一项损失项即全局聚类，迫使网络将样本映射到其所属类别质心更近的位置；第二项即局部聚类，塑造表示空间使同类样本在表示空间中彼此靠近，同时推远属于其他类的近邻。此外，我们提出一种学习类特定拒绝阈值的策略，而非像以往工作那样启发式地估计单一全局阈值。在 RGB-D Object 和 Core50 数据集上的实验表明了本方法的有效性。
引用
@article{arxiv.2004.13849,
title = {Boosting Deep Open World Recognition by Clustering},
author = {Dario Fontanel and Fabio Cermelli and Massimiliano Mancini and Samuel Rota Bulò and Elisa Ricci and Barbara Caputo},
journal= {arXiv preprint arXiv:2004.13849},
year = {2020}
}
备注
IROS/RAL 2020