PerceptNet：在存在不可排序三元组的情况下学习触觉纹理的感知相似性
机器学习
2020-10-13 v2 人机交互
机器学习
摘要
为了设计触觉图标或构建触觉词汇表，我们需要一组易于区分的触觉信号以避免感知歧义，这进而需要一种能够准确估计此类信号感知（不）相似性的方法。在本工作中，我们提出了一种基于人类研究数据来学习此类感知度量的新方法。我们的方法基于深度神经网络，将信号投影到嵌入空间中，其中自然的欧几里得距离能够准确建模两个信号之间的不相似程度。该网络仅在信号三元组的非数值比较上进行训练，使用了一种新颖的三元组损失，同时考虑了易于排序的三元组类型（不等式约束）以及不可排序/歧义的三元组类型（等式约束）。与先前基于 MDS 的非参数方法不同，我们的方法可以在部分比较集上进行训练，并且无需从头重新训练模型即可嵌入新的触觉信号。广泛的实验评估表明，我们的方法在建模感知不相似性方面显著优于其他替代方法。
引用
@article{arxiv.1905.03302,
title = {PerceptNet: Learning Perceptual Similarity of Haptic Textures in Presence of Unorderable Triplets},
author = {Priyadarshini Kumari and Siddhartha Chaudhuri and Subhasis Chaudhuri},
journal= {arXiv preprint arXiv:1905.03302},
year = {2020}
}
备注
Published in IEEE World Haptics Conference 2019