Online Continual Learning for Robust Indoor Object Recognition

要約

家庭用ロボットに搭載されたビジョン システムは、環境が変化する中で目に見えないクラスと対話する必要があります。
ロボットの計算リソース、ラベル付きデータ、ストレージ機能は限られています。
これらの要件は、いくつかの特有の課題を引き起こします。モデルは、データとパラメーターの効率的な方法で、過去の知識を忘れることなく適応する必要があります。
我々はこの問題を、少数ショット (FS) オンライン継続学習 (OCL) として特徴付けます。この学習では、ロボット エージェントが少数のモデル パラメーターのみを更新する少数ショット データの非反復ストリームから学習します。
さらに、そのようなモデルはテスト時にさまざまな条件にさらされ、オブジェクトがさまざまな姿勢（水平または垂直など）や環境（昼または夜など）で表示される可能性があります。
CL エージェントの堅牢性を向上させるために、RobOCLe を提案します。
1) サンプルの埋め込まれた特徴から高次の統計モーメントを計算する強化された特徴空間を構築します。
2) 強化された特徴空間上のサンプルの高次統計間の類似性を計算し、それらのクラス ラベルを予測します。
さまざまなケースで拡張をトレーニング/テストするために、CL モデルの堅牢性を評価します。
さまざまなモーメントにより、RobOCLe が変形のさまざまな特性をキャプチャできるようになり、推論速度を低下させることなく、より高いロバスト性が提供されることを示します。

要約(オリジナル)

Vision systems mounted on home robots need to interact with unseen classes in changing environments. Robots have limited computational resources, labelled data and storage capability. These requirements pose some unique challenges: models should adapt without forgetting past knowledge in a data- and parameter-efficient way. We characterize the problem as few-shot (FS) online continual learning (OCL), where robotic agents learn from a non-repeated stream of few-shot data updating only a few model parameters. Additionally, such models experience variable conditions at test time, where objects may appear in different poses (e.g., horizontal or vertical) and environments (e.g., day or night). To improve robustness of CL agents, we propose RobOCLe, which; 1) constructs an enriched feature space computing high order statistical moments from the embedded features of samples; and 2) computes similarity between high order statistics of the samples on the enriched feature space, and predicts their class labels. We evaluate robustness of CL models to train/test augmentations in various cases. We show that different moments allow RobOCLe to capture different properties of deformations, providing higher robustness with no decrease of inference speed.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google