利用预训练卷积神经网络开发高效迁移学习策略以实现移动机器人鲁棒场景识别
计算机视觉与模式识别
2021-07-26 v1 机器人学
摘要
我们提出了四种不同的鲁棒迁移学习与数据增强策略，用于鲁棒的移动场景识别。通过在广泛可用的 Event8、Scene15、Stanford40 和 MIT67 数据集上训练三种适用于移动端的（EfficientNetB0、MobileNetV2、MobileNetV3）和两种大规模基线（VGG16、ResNet50）卷积神经网络架构，我们展示了我们迁移学习策略的泛化能力。此外，我们使用 KTH-Idol2 数据库测试了我们的迁移学习策略在视角和光照变化下的鲁棒性。同时，评估了推理优化技术对不同迁移学习策略下的整体性能及鲁棒性的影响。实验结果表明，在采用迁移学习时，微调结合广泛的数据增强可提升移动场景识别的总体准确率和鲁棒性。我们使用各种基线卷积神经网络取得了 state-of-the-art 的结果，并展示了在具有挑战性的移动机器人位置识别中对光照和视角变化的鲁棒性。
引用
@article{arxiv.2107.11187,
title = {Developing efficient transfer learning strategies for robust scene recognition in mobile robotics using pre-trained convolutional neural networks},
author = {Hermann Baumgartl and Ricardo Buettner},
journal= {arXiv preprint arXiv:2107.11187},
year = {2021}
}
备注
18 pages, 1 figures, 10 tables. Submitted to IEEE Transactions on Robotics (T-RO)