探索式学习视觉显著性：RL-IAC 方法
计算机视觉与模式识别
2018-04-03 v1 机器人学
摘要
自主移动机器人上的目标定位与识别问题仍是一个活跃课题。在此背景下，我们着手解决直接在机器人上学习视觉显著性模型的问题。该模型在机器人探索过程中在线学习并改进，为定位环境中相关目标提供了高效工具。所提方法包含两个交织的组件。一方面，我们描述了一种从基于深度的目标检测器学习与增量更新视觉显著性模型的方法。该显著性模型也可用于生成围绕感兴趣目标的边界框提议。另一方面，我们研究了一种自主探索技术以高效学习此类显著性模型。所提探索方法称为强化学习-智能自适应好奇(RL-IAC)，能够驱动机器人探索，使机器人所选样本有可能改进当前显著性模型。我们随后证明，直接在机器人上学习的此类显著性模型优于若干最先进显著性技术，且 RL-IAC 能大幅减少学习可靠显著性模型所需时间。
引用
@article{arxiv.1804.00435,
title = {Exploring to learn visual saliency: The RL-IAC approach},
author = {Celine Craye and Timothee Lesort and David Filliat and Jean-Francois Goudou},
journal= {arXiv preprint arXiv:1804.00435},
year = {2018}
}