学习环顾：为未知任务智能探索未见环境
计算机视觉与模式识别
2017-12-22 v2
摘要
通常隐含地假设能获取智能捕获的输入（例如人类摄影师拍摄的照片），然而自主捕获良好观测本身是一项重大挑战。我们解决“学习环顾”问题：如果视觉智能体能够自愿获取新视图来观察其环境，它如何能学习高效的探索行为以获取信息丰富的观测？我们提出一种强化学习解决方案，其中智能体因采取能减少其关于环境未观察部分不确定性的动作而获得奖励。基于该原理，我们开发了基于循环神经网络的方法，用于全景自然场景和3D物体形状的主动补全。关键在于，学习到的策略不依赖于任何识别任务，也不依赖于训练期间看到的特定语义内容。因此，1）学习到的“环顾”行为即使对于未见环境中的新任务也相关；2）训练数据获取不涉及手动标注。通过在多样化设置中的测试，我们证明我们的方法学到了有用的通用策略，可迁移到新的未见任务和环境。补全片段见 https://goo.gl/BgWX3W。
引用
@article{arxiv.1709.00507,
title = {Learning to Look Around: Intelligently Exploring Unseen Environments for Unknown Tasks},
author = {Dinesh Jayaraman and Kristen Grauman},
journal= {arXiv preprint arXiv:1709.00507},
year = {2017}
}