视觉地点分类器的长期集成学习
计算机视觉与模式识别
2017-09-19 v1
摘要
本文从长期地图学习的新视角探讨了跨季节视觉地点分类（VPC）问题。我们的目标是以较小的恒定成本高效地实现从一个季节到下一个季节的迁移学习，并且不通过记忆大量训练数据来浪费机器人的可用长期记忆。为了在泛化与特化能力之间实现良好的折衷，我们采用了卷积神经网络（DCN）分类器集成，并考虑了在给定前一季节的 DCN 分类器作为唯一先验知识时的调度任务（何时以及重新训练哪些分类器）。我们提出了一个用于重新训练调度的统一框架，并讨论了实际的实现策略。此外，我们探讨了以无监督方式将机器人的工作空间划分为地点以定义地点类别的任务，而非使用均匀划分，以最大化 VPC 性能。使用公开的 NCLT 数据集进行的实验表明，DCN 分类器集成的重新训练调度至关重要，且使用计划性调度可显著提高性能。
引用
@article{arxiv.1709.05470,
title = {Long-Term Ensemble Learning of Visual Place Classifiers},
author = {Xiaoxiao Fei and Kanji Tanaka and Yichu Fang and Akitaka Takayama},
journal= {arXiv preprint arXiv:1709.05470},
year = {2017}
}
备注
8 pages, 9 figures, technical report