面向具身智能的好奇表征学习
计算机视觉与模式识别
2021-09-01 v2 人工智能
机器学习
机器人学
摘要
自监督表征学习近年来取得了显著成功。通过规避对监督标签的需求，此类方法能够利用互联网和摄影数据集中存在的大量无标签图像。然而，要构建真正智能的体，我们必须构建不仅能从数据集学习、还能从环境学习的表征学习算法。自然环境中的体通常不会被喂入经过筛选的数据。相反，它必须探索其环境以获取将从中学习的数据。我们提出了一个框架——好奇表征学习（CRL），它联合学习一个强化学习策略和一个视觉表征模型。该策略被训练以最大化表征学习器的误差，并由此被激励去探索其环境。同时，随着策略向表征学习器输入越来越困难的数据以供学习，所学表征变得愈发强大。我们学到的表征在迁移到下游导航任务时表现出色，在不使用任何监督的情况下优于或与 ImageNet 预训练相当。此外，尽管在仿真中训练，我们学到的表征能在真实图像上获得可解释的结果。代码见 https://yilundu.github.io/crl/。
引用
@article{arxiv.2105.01060,
title = {Curious Representation Learning for Embodied Intelligence},
author = {Yilun Du and Chuang Gan and Phillip Isola},
journal= {arXiv preprint arXiv:2105.01060},
year = {2021}
}
备注
To apear at ICCV 2021. Code is available at https://yilundu.github.io/crl