OpenLORIS-Object：面向终身深度学习的机器人视觉数据集与基准
计算机视觉与模式识别
2020-03-09 v2 机器学习
机器人学
机器学习
摘要
计算机视觉近期的突破得益于大规模代表性数据集（如ImageNet和COCO）的可用以进行训练。然而，由于标准计算机视觉数据集隐含了对固定任务集的非变化分布的假设，机器人视觉在应用这些视觉算法时面临独特挑战。每次新任务出现时完全重新训练模型因计算、存储及有时隐私问题而不可行，而朴素的增量策略已被证明会遭受灾难性遗忘。机器人必须具备在开放集与有害条件下以自适应视觉感知系统持续运行的能力，其中终身学习是一项基本能力。然而，极少有数据集与基准可用于评估和比较新兴技术。为填补此空白，我们提供了一个通过RGB-D相机收集的新的终身机器人视觉数据集（"OpenLORIS-Object"）。该数据集嵌入了机器人在真实应用中所面临的挑战，并为验证终身目标识别算法提供了新基准。此外，我们提供了9种最先进终身学习算法的测试平台。每种算法在OpenLORIS-Object数据集上涉及48个任务与4种评估指标。结果表明，在不断变化难度环境中的目标识别任务远未解决，其瓶颈在于前向/后向迁移设计。我们的数据集与基准公开于https://lifelong-robotic-vision.github.io/dataset/object。
引用
@article{arxiv.1911.06487,
title = {OpenLORIS-Object: A Robotic Vision Dataset and Benchmark for Lifelong Deep Learning},
author = {Qi She and Fan Feng and Xinyue Hao and Qihan Yang and Chuanlin Lan and Vincenzo Lomonaco and Xuesong Shi and Zhengwei Wang and Yao Guo and Yimin Zhang and Fei Qiao and Rosa H. M. Chan},
journal= {arXiv preprint arXiv:1911.06487},
year = {2020}
}
备注
7 pages, 7 figures, 4 tables