利用局部空间可预测性的无监督物体关键点学习
计算机视觉与模式识别
2021-03-09 v2 人工智能
机器学习
神经与进化计算
摘要
我们提出 PermaKey，一种基于物体关键点的表征学习新方法。它利用局部图像区域从空间邻域的可预测性来识别对应于物体部件的重要区域，随后将其转换为关键点。与先前方法不同，它利用可预测性来发现物体关键点，这是物体的内在属性。这确保它不会使关键点过度偏置于非物体所独有的特征，如运动、形状、颜色等。我们在 Atari 上展示了 PermaKey 的有效性，其学习到对应于最显著物体部件的关键点，并对某些视觉干扰具有鲁棒性。此外，在 Atari 领域的下游 RL（强化学习）任务中，我们展示了配备我们关键点的智能体优于使用竞争替代方案的智能体，即使在具有移动背景或干扰物体的挑战性环境中也是如此。
引用
@article{arxiv.2011.12930,
title = {Unsupervised Object Keypoint Learning using Local Spatial Predictability},
author = {Anand Gopalakrishnan and Sjoerd van Steenkiste and Jürgen Schmidhuber},
journal= {arXiv preprint arXiv:2011.12930},
year = {2021}
}
备注
Accepted to ICLR 2021