F-SIOL-310：面向少样本增量物体学习的机器人数据集与基准
机器人学
2022-04-22 v3 计算机视觉与模式识别
摘要
深度学习凭借 ImageNet 等大规模数据集在物体识别任务中取得了显著成功。然而，深度学习系统在不回放旧数据而进行增量学习时会遭受灾难性遗忘。对于真实世界应用，机器人也需要增量学习新物体。此外，由于机器人可获得的人类辅助有限，它们必须仅从少量样本中学习。然而，现有用于测试机器人视觉增量学习能力的物体识别数据集与基准极少。并且，尚无专门设计用于从少量样本进行增量物体学习的数据集或基准。为填补这一空白，我们提出了一个称为 F-SIOL-310（Few-Shot Incremental Object Learning，少样本增量物体学习）的新数据集，其专为测试机器人视觉的少样本增量物体学习能力而采集。我们还提供了 8 种增量学习算法在 F-SIOL-310 上的基准与评估，以供未来比较。我们的结果表明，机器人视觉的少样本增量物体学习问题远未解决。
引用
@article{arxiv.2103.12242,
title = {F-SIOL-310: A Robotic Dataset and Benchmark for Few-Shot Incremental Object Learning},
author = {Ali Ayub and Alan R. Wagner},
journal= {arXiv preprint arXiv:2103.12242},
year = {2022}
}
备注
Fixed the link to dataset