今日頭條
官方微信
官方抖音
資訊頻道近日，依托于中國科學(xué)院沈陽自動化研究所的機器人學(xué)國家重點實驗室提出了一種連續(xù)多視角任務(wù)學(xué)習(xí)算法，可有效解決現(xiàn)存大部分多視角任務(wù)學(xué)習(xí)模型不能夠滿足讓機器人快速學(xué)習(xí)新任務(wù)的問題。
目前，多視角多任務(wù)學(xué)習(xí)在機器學(xué)習(xí)和計算機視覺領(lǐng)域得到了廣泛的應(yīng)用，然而在諸多實際場景中，當(dāng)多視角學(xué)習(xí)任務(wù)按序列順序到來時，重新訓(xùn)練以前的任務(wù)在這種終身學(xué)習(xí)場景中會產(chǎn)生較高的存儲需求和計算成本。
為應(yīng)對這一挑戰(zhàn)，科研人員在該研究中提出了一種集成了深度矩陣分解和稀疏子空間學(xué)習(xí)的連續(xù)多視角任務(wù)學(xué)習(xí)模型，稱之為深度連續(xù)多視角任務(wù)學(xué)習(xí)（DCMvTL）。當(dāng)新的多視角任務(wù)到來時，首先采用深度矩陣分解技術(shù)捕捉新任務(wù)中的隱含和分層表達知識，同時以一種逐層的方式存儲這些新鮮的多視角知識。在這一基礎(chǔ)上，稀疏子空間學(xué)習(xí)模型會應(yīng)用于每一層抽取的因子矩陣上，并通過一個自表達約束捕獲跨視角關(guān)聯(lián)。
在基準(zhǔn)測試數(shù)據(jù)集上的實驗結(jié)果表明，深度連續(xù)多視角任務(wù)學(xué)習(xí)模型不僅能實現(xiàn)較高的認(rèn)知準(zhǔn)確率，同時能保持較高的學(xué)習(xí)效率，即讓機器人“更快”認(rèn)知不同的世界。
相關(guān)成果以Continual Multiview Task Learning via Deep Matrix Factorization為題發(fā)表于IEEE TRANSACTIONS ON NEURAL NETWORKS AND LEARNING SYSTEMS。該研究得到了國家自然科學(xué)基金和機器人學(xué)重點實驗室的支持。
DOI:10.1109/TNNLS.2020.2977497
連續(xù)多視角學(xué)習(xí)模型示意圖
北京市公安局海淀分局備案號：11010802023656號