通过联合标签与动作预测的深度主动物体识别
人工智能
2015-12-18 v1
摘要
主动物体识别系统具有能够在环境中动作以捕获更适合训练且在测试时带来更好性能的图像的优势。在本文中，我们提出一种用于主动物体识别的深度卷积神经网络，它同时预测物体标签，并选择对物体执行的下一个动作，旨在提高识别性能。我们将主动物体识别视为强化学习问题，并推导代价函数以训练网络进行物体标签和动作的联合预测。提出基于 Dirichlet 分布的物体相似性生成模型，并嵌入网络中用于编码系统状态。训练通过使用梯度下降同时最小化标签和动作预测误差来进行。我们凭经验表明，所提出的网络能够在 GERMS（一个主动物体识别数据集）上预测物体标签和动作。我们将所提模型与 Dirichlet 和朴素贝叶斯状态编码的测试标签预测精度进行比较。实验结果表明，配备 Dirichlet 状态编码的所提模型性能更优，并选择在测试时带来更好训练和更高标签预测精度的图像。
引用
@article{arxiv.1512.05484,
title = {Deep Active Object Recognition by Joint Label and Action Prediction},
author = {Mohsen Malmir and Karan Sikka and Deborah Forster and Ian Fasel and Javier R. Movellan and Garrison W. Cottrell},
journal= {arXiv preprint arXiv:1512.05484},
year = {2015}
}