在学习语义场景图局部化中进行自省
机器学习
2025-10-09 v1 人工智能
计算机视觉与模式识别
机器人学
摘要
本工作探讨了语义如何影响在学习的自监督、对比语义局部化框架中的局部化性能和鲁棒性。训练完成后，我们对该框架进行详尽的事后自省分析，以探究模型是否过滤环境噪声并优先考虑具有辨识度的地标而非常规杂物。我们验证了各种可解释性方法，并呈现了比较可靠性分析。集成梯度和注意力权重 consistently 作为学习行为的最可靠探针。进一步的语义类别消除实验揭示了一种隐式加权机制，其中频繁对象往往被低估。总体而言，结果表明，该模型学习了噪声鲁棒、语义显著的关于地点定义的关系，从而实现了在挑战性视觉和结构变化下的可解释注册。
引用
@article{arxiv.2510.07053,
title = {Introspection in Learned Semantic Scene Graph Localisation},
author = {Manshika Charvi Bissessur and Efimia Panagiotaki and Daniele De Martini},
journal= {arXiv preprint arXiv:2510.07053},
year = {2025}
}
备注
IEEE IROS 2025 Workshop FAST