通过采样深度相似函数在野外进行视觉识别
计算机视觉与模式识别
2019-03-19 v1
摘要
在其环境中识别相关物体或物体状态是自主机器人的基本能力。图像和深度图像中物体识别的主流方法是基于监督机器学习的分类,如今多为深度卷积神经网络(CNNs)。这对于用训练样本可完全覆盖可变性的目标类别效果良好。然而,在野外(即训练识别系统时未知的环境)中移动的机器人常面临\emph{域偏移}:不能假设训练数据穷尽覆盖测试数据中将遇到的所有类内变异性。在那种情况下,学习原则上可行,因为训练集确实捕捉了目标类别的定义属性或相异属性。但直接训练 CNN 预测类概率易过拟合到类标签与训练集中所表示的目标类别特定子集之间的无关相关性。我们探索改为学习一个作为训练样本对之间相似度函数的连体 CNN(Siamese CNN)的思路。然后通过对新测试实例与训练样本间相似度度量获得类预测。我们展示了 CNN 嵌入能正确恢复训练集中任意类别样本的相对相似性。因此,少量随机选取的训练样本即足以实现良好预测,使该过程高效。
引用
@article{arxiv.1903.06837,
title = {Visual recognition in the wild by sampling deep similarity functions},
author = {Mikhail Usvyatsov and Konrad Schindler},
journal= {arXiv preprint arXiv:1903.06837},
year = {2019}
}