利用 FALKON 加速机器人目标检测训练
机器人学
2021-06-30 v2 人工智能
计算机视觉与模式识别
机器学习
摘要
最新的深度学习目标检测方法提供了卓越的性能，但在机器人应用中使用时存在局限性。最相关的问题之一是训练时间长，这是由于相关训练集规模大且不平衡所致，其特征是正例少而负例（即背景）多。现有方法基于反向传播的端到端学习 [22]，或在深度特征之上使用困难负样本挖掘训练的核方法 [8]。这些解决方案虽然有效，但对于在线应用而言速度过慢。在本文中，我们提出了一种新的目标检测流水线，克服了这一问题并提供了可比的性能，训练速度提升了 60 倍。我们的流水线将 (i) 来自 [22] 的 Region Proposal Network 和深度特征提取器相结合，以高效地选择候选 RoI 并将其编码为强大的表示，与 (ii) FALKON [23] 算法相结合，这是一种新颖的基于核的方法，允许在大规模问题（数百万个点）上进行快速训练。我们利用该方法固有的随机子采样和一种新颖、快速的 bootstrapping 方法来解决训练数据的规模和不平衡问题。我们在标准计算机视觉数据集（PASCAL VOC 2007 [5]）上评估了该方法的有效性，并利用 iCubWorld Transformations [18] 数据集证明了其在真实机器人场景中的适用性。
引用
@article{arxiv.1803.08740,
title = {Speeding-up Object Detection Training for Robotics with FALKON},
author = {Elisa Maiettini and Giulia Pasquale and Lorenzo Rosasco and Lorenzo Natale},
journal= {arXiv preprint arXiv:1803.08740},
year = {2021}
}