Lifelong Ensemble Learning based on Multiple Representations for Few-Shot Object Recognition

要約

タイトル：小数のサンプル数による物体認識に基づく多様な表現に基づく終身学習アンサンブル学習

要約：
– この論文は、多くのタスクを手伝うために、サービスロボットが私たちの日常生活に統合されるにつれて、オープンエンドの形式で物体を学習する必要があることがある。このため、多様な物体カテゴリを認識することができるロボットが必要だ。
– この論文が提供する提案モデルは、同じ問題に対処するために、深い表現と手作りの3Dの形状記述符号に基づくアンサンブル手法を利用している。それぞれの手法は、オブジェクト情報を即座に格納および取得するためのメモリユニットが装備されていることを特徴とする。
– 提案モデルは、3D物体カテゴリの数が固定されておらず、時間とともに増加する可能性があるオープンエンドの学習シナリオに適している。
– 実験の結果、提案手法は、オンラインでの小数のサンプル数に対する3D物体認識タスクに最適であり、最新のオープンエンド学習手法よりも優れたパフォーマンスを示すことができることが分かった。
– また、アンサンブル学習は、オフライン設定では穏やかに有益である一方、終身的な少数ショット学習の状況では大幅に有益であることが示された。
– この手法は、シミュレーションと現実のロボット設定の両方での効果を証明しており、ロボットが限られた例から急速に新しいカテゴリを学習することができる。

要約(オリジナル)

Service robots are integrating more and more into our daily lives to help us with various tasks. In such environments, robots frequently face new objects while working in the environment and need to learn them in an open-ended fashion. Furthermore, such robots must be able to recognize a wide range of object categories. In this paper, we present a lifelong ensemble learning approach based on multiple representations to address the few-shot object recognition problem. In particular, we form ensemble methods based on deep representations and handcrafted 3D shape descriptors. To facilitate lifelong learning, each approach is equipped with a memory unit for storing and retrieving object information instantly. The proposed model is suitable for open-ended learning scenarios where the number of 3D object categories is not fixed and can grow over time. We have performed extensive sets of experiments to assess the performance of the proposed approach in offline, and open-ended scenarios. For the evaluation purpose, in addition to real object datasets, we generate a large synthetic household objects dataset consisting of 27000 views of 90 objects. Experimental results demonstrate the effectiveness of the proposed method on online few-shot 3D object recognition tasks, as well as its superior performance over the state-of-the-art open-ended learning approaches. Furthermore, our results show that while ensemble learning is modestly beneficial in offline settings, it is significantly beneficial in lifelong few-shot learning situations. Additionally, we demonstrated the effectiveness of our approach in both simulated and real-robot settings, where the robot rapidly learned new categories from limited examples.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI