面向跨域开放世界识别的对比学习

进化能力对于任何有价值的自主智能体而言都是基本的，其知识不能仅限于制造商所注入的内容。以家用助理机器人为例：它应当能够在被请求时增量学习新的物体类别，同时也能够在不同环境（房间）和姿态（手持/置于地面/位于家具上方）下识别相同物体，并拒绝未知物体。尽管该场景十分重要，但机器人学界直到最近才开始关注，相关研究仍处于起步阶段，仅有现有的实验测试平台而缺乏专门的方法。本工作提出首个利用单一对比目标同时应对上述所有挑战的学习方法。我们展示了它如何学习一个非常适合增量纳入新类别的特征空间，并能够捕获可泛化至多种视觉域的知识。我们的方法为每个学习片段配备了专门的有效的停止准则，并利用自步阈值策略为分类器提供可靠的拒绝选项。这两项新颖贡献均基于对数据统计的观察，无需手动调参。大量实验分析证实了所提方法在确立新的最先进水平方面的有效性。代码见 https://github.com/FrancescoCappio/Contrastive_Open_World。