运动风格迁移：面向深度运动预测的模块化低秩自适应
计算机视觉与模式识别
2022-11-08 v1 机器人学
摘要
深度运动预测模型在海量数据上训练时取得了巨大成功，但在训练数据有限时往往表现不佳。为应对这一挑战，我们提出一种迁移学习方法，用于高效地将预训练预测模型适配到新领域，如未见过的智能体类型与场景上下文。与更新整个编码器的传统微调方法不同，我们的核心思想是减少可调节参数的数量，使其能精确刻画目标领域特定的运动风格。为此，我们引入两个利用运动风格偏移先验知识的组件：(i) 低秩运动风格适配器，在低维瓶颈处投影并调整风格特征；(ii) 模块化适配器策略，解耦场景上下文与运动历史的特征，以便对自适应层进行细粒度选择。通过大量实验，我们表明所提出的适配器设计（称为 MoSA）在多个预测基准上优于先前方法。
引用
@article{arxiv.2211.03165,
title = {Motion Style Transfer: Modular Low-Rank Adaptation for Deep Motion Forecasting},
author = {Parth Kothari and Danya Li and Yuejiang Liu and Alexandre Alahi},
journal= {arXiv preprint arXiv:2211.03165},
year = {2022}
}
备注
CoRL 2022