CBCL-PR：一种受认知启发的机器人少样本类增量学习模型
机器人学
2023-08-02 v1 计算机视觉与模式识别
机器学习
摘要
对于大多数现实应用，机器人需要在其环境中利用有限数据持续地适应和学习。本文研究少样本类增量学习（FSIL）问题，其中AI智能体需要从少量数据样本中增量学习，且不遗忘已学过的数据。为解决该问题，我们提出了一种受海马体与新皮层概念学习理论启发的新型框架。该框架以聚类集合的形式表示对象类别并存储于记忆中。在学习新类别时，框架通过旧类别聚类生成的数据进行回放，以避免遗忘。我们的方法在两个对象分类数据集上进行了评估，在类增量学习和FSIL上取得了最先进的（SOTA）性能。我们还在机器人上评估了我们的FSIL框架，表明该机器人能够在有限人工辅助下持续学习分类大量 household 物体。
引用
@article{arxiv.2308.00199,
title = {CBCL-PR: A Cognitively Inspired Model for Class-Incremental Learning in Robotics},
author = {Ali Ayub and Alan R. Wagner},
journal= {arXiv preprint arXiv:2308.00199},
year = {2023}
}
备注
Accepted to IEEE Transactions on Cognitive and Developmental Systems