环境探索过程中 minimally 预训练系统的物体识别

我们更新了早前提出的描述和评估系统研究抽象环境过程的方法。我们不建模任何生物认知机制，而将系统视为配备信息处理器的智能体（或此类智能体组），其在环境中移动、消费环境提供的信息并给出下一步移动（因此该过程被视为博弈）。系统在未知环境中移动并应识别其中位于的新物体。在此情况下，系统应构建可见事物的完整图像并在必要时记忆它们（还应选择当前目标集）。此处的主要问题是物体识别以及博弈中的信息奖励评级。因此，本文的主要新颖之处是将关于物体的视觉信息量作为奖励的评估新方法。在这样的系统中，我们建议使用 minimally 预训练的神经网络负责识别：起初，我们仅针对 Biederman 几何子（几何基元）训练网络。几何子以程序化方式生成，我们证明如此训练的网络能较好地识别真实物体中的几何子。我们还提议从环境中获得的几何子方案（图像中的几何子组合）程序化生成新物体并存入数据库。在此情况下，当我们停止获得此类新方案时，我们未获得关于物体的新信息（即奖励最大，故博弈与物体认知过程停止）。这些方案由与物体相连的几何子生成。对于可能已知的项，当对任意物体均无更多检测不确定性时，信息奖励最大。