Contrastive Learning for Cross-Domain Open World Recognition

要約

進化する能力は、製造者によって注入された知識だけにとどまることのできない価値ある自律的なエージェントにとって基本的なものである。例えば、ホームアシスタント・ロボットを考えてみよう。このロボットは、要求に応じて新しい物体カテゴリーを徐々に学習することができなければならないが、同時に、異なる環境（部屋）や姿勢（手で持っている／床の上／家具の上）で同じ物体を認識し、未知の物体は拒否することができなければならない。その重要性にもかかわらず、このシナリオがロボットコミュニティで関心を集め始めたのはごく最近のことで、関連する研究はまだ初期段階にあり、実験的なテストベッドは存在するが、それに合わせた手法はない。本研究では、単一の対照的な目的を利用することにより、先に述べた全ての課題を一度に扱う初めての学習アプローチを提案する。本手法は、新しいクラスを段階的に追加するのに最適な特徴空間を学習し、様々な視覚領域で汎化される知識を獲得することができることを示す。本手法は、それぞれの学習エピソードに合わせた効果的な停止基準を持ち、分類器に信頼できる拒否オプションを提供する自己ペース閾値戦略を利用する。これらの新しい貢献は両方とも、データ統計の観察に基づいており、手動で調整する必要はない。広範な実験分析により、新しい最先端技術を確立するための提案アプローチの有効性が確認された。コードは https://github.com/FrancescoCappio/Contrastive_Open_World で公開されている。

要約(オリジナル)

The ability to evolve is fundamental for any valuable autonomous agent whose knowledge cannot remain limited to that injected by the manufacturer. Consider for example a home assistant robot: it should be able to incrementally learn new object categories when requested, but also to recognize the same objects in different environments (rooms) and poses (hand-held/on the floor/above furniture), while rejecting unknown ones. Despite its importance, this scenario has started to raise interest in the robotic community only recently and the related research is still in its infancy, with existing experimental testbeds but no tailored methods. With this work, we propose the first learning approach that deals with all the previously mentioned challenges at once by exploiting a single contrastive objective. We show how it learns a feature space perfectly suitable to incrementally include new classes and is able to capture knowledge which generalizes across a variety of visual domains. Our method is endowed with a tailored effective stopping criterion for each learning episode and exploits a self-paced thresholding strategy that provides the classifier with a reliable rejection option. Both these novel contributions are based on the observation of the data statistics and do not need manual tuning. An extensive experimental analysis confirms the effectiveness of the proposed approach in establishing the new state-of-the-art. The code is available at https://github.com/FrancescoCappio/Contrastive_Open_World.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL