Local-HDP：实时机器人场景中的交互式开放式 3D 物体分类
计算机视觉与模式识别
2021-04-13 v3 机器学习
摘要
我们提出了一种用于开放式 3D 物体分类的非参数层次贝叶斯方法，称为局部层次狄利克雷过程（Local Hierarchical Dirichlet Process，Local-HDP）。该方法允许智能体逐步学习每个类别的独立主题，并随时间适应环境。像隐狄利克雷分配（Latent Dirichlet Allocation，LDA）这样的层次贝叶斯方法可以将低层特征转换为用于 3D 物体分类的高层概念主题。然而，基于 LDA 方法的效率与精度依赖于手动设定的主题数。此外，为所有类别固定主题数会导致模型的过拟合或欠拟合。相比之下，所提出的 Local-HDP 能够自主确定每个类别的主题数。此外，在线变分推断方法已被适配用于 Local-HDP 模型中的快速后验近似。实验表明，所提出的 Local-HDP 方法在精度、可扩展性与内存效率方面大幅优于其他最先进的方法。此外，我们进行了两个机器人实验以展示该方法在实时应用中的适用性。
引用
@article{arxiv.2009.01152,
title = {Local-HDP: Interactive Open-Ended 3D Object Categorization in Real-Time Robotic Scenarios},
author = {H. Ayoobi and H. Kasaei and M. Cao and R. Verbrugge and B. Verheij},
journal= {arXiv preprint arXiv:2009.01152},
year = {2021}
}
备注
13 pages