基于多表示终身集成学习的少样本物体识别
机器人学
2024-01-10 v5 机器学习
摘要
服务机器人正越来越多地融入我们的日常生活,以协助我们完成各种任务。在此类环境中,机器人在工作中频繁面对新物体,需要以开放式的方式学习它们。此外,此类机器人必须能够识别广泛的物体类别。本文提出一种基于多表示的终身集成学习方法,以解决少样本物体识别问题。具体而言,我们基于深度表示与手工设计的 3D 形状描述子构建集成方法。为促进终身学习,每种方法均配备一个存储单元,用于即时存储和检索物体信息。所提模型适用于物体类别数量不固定且可随时间增长的开放式学习场景。我们进行了大量实验,以评估该方法在离线和开放式场景中的性能。为评估之需,除真实物体数据集外,我们生成了一个大型合成 household 物体数据集,包含 90 个物体的 27000 个视图。实验结果表明了所提方法在在线少样本 3D 物体识别任务上的有效性,以及其相对于最先进开放式学习方法的优越性能。此外,我们的结果表明,虽然集成学习在离线设置中收益有限,但在终身少样本学习情形下收益显著。另外,我们在模拟和真实机器人设置中均展示了方法的有效性,其中机器人能从有限样本中快速学习新类别。
引用
@article{arxiv.2205.01982,
title = {Lifelong Ensemble Learning based on Multiple Representations for Few-Shot Object Recognition},
author = {Hamidreza Kasaei and Songsong Xiong},
journal= {arXiv preprint arXiv:2205.01982},
year = {2024}
}
备注
The paper has been accepted for publication in the Robotics and Autonomous Systems journal