DEUX：用于学习无监督深度感知的主动探索
计算机视觉与模式识别
2023-10-11 v1 机器学习
机器人学
摘要
深度感知模型通常在具有预定义相机轨迹的非交互式数据集上训练。然而，这常将系统性偏差引入学习过程，且与数据采集期间所选特定相机路径相关。本文中，我们从机器人导航视角利用 3D 交互式环境，研究数据收集方式对学习深度补全的作用。首先，我们评估了使用常规导航技术收集的数据训练的四个深度补全模型。我们的关键见解是，现有探索范式未必提供任务特定数据点以实现胜任的无监督深度补全学习。接着我们发现，相对于光度重建收集的数据对模型性能有直接正向影响。因此，我们开发了一种用于学习深度补全的、主动的、任务感知的、基于深度不确定性的运动规划方法，称之为 DEpth Uncertainty-guided eXploration（DEUX）。在 MP3D 测试集上，使用我们方法收集的数据训练，相较现有探索方法，在四个深度补全模型上平均提升深度补全超 18%。我们展示我们的方法进一步改善了零样本泛化，同时为集成机器人学习的深度估计提供了新见解。
引用
@article{arxiv.2310.06164,
title = {DEUX: Active Exploration for Learning Unsupervised Depth Perception},
author = {Marvin Chancán and Alex Wong and Ian Abraham},
journal= {arXiv preprint arXiv:2310.06164},
year = {2023}
}