面向鲁棒室内物体识别的在线持续学习

安装在家庭机器人上的视觉系统需要与变化环境中未见的类别进行交互。机器人具有有限的计算资源、标注数据与存储能力。这些需求带来了一些独特挑战：模型应以数据和参数高效的方式适应而不遗忘过往知识。我们将该问题刻画为少样本（FS）在线持续学习（OCL），其中机器人智能体从非重复少样本数据流中学习，仅更新少量模型参数。此外，此类模型在测试时经历可变条件，物体可能以不同位姿（如水平或垂直）与环境（如白天或夜晚）出现。为提升持续学习智能体的鲁棒性，我们提出RobOCLe，其：1）通过从样本嵌入特征计算高阶统计矩来构建 enriched 特征空间；2）在 enriched 特征空间上计算样本高阶统计量的相似度，并预测其类别标签。我们在多种情况下评估了持续学习模型对训练/测试增强的鲁棒性。我们表明不同矩使RobOCLe能够捕获形变的不同属性，从而在推理速度不降低的情况下提供更高鲁棒性。