Auto-TransRL: Autonomous Composition of Vision Pipelines for Robotic Perception

要約

コンピュータビジョンのタスクを解決するために、様々なデータセットに対応したビジョンパイプラインを作成することは、複雑で時間のかかるプロセスです。現在、これらのパイプラインは、ドメインエキスパートの助けを借りて開発されています。さらに、経験や試行錯誤に頼ったり、テンプレートベースのアプローチを使う以外に、ビジョンパイプラインを構築するための体系的な構造はありません。また、特定のビジョンタスクに適したアルゴリズムを選択するための探索空間は広大であるため、良い解決策を見つけるための人間の探索には時間と労力が必要である。以下の問題を解決するために、我々は、目標タスクを達成するためにビジョンパイプラインを構築するのに適したアルゴリズムの適切なセットを識別するための動的かつデータ駆動型の方法を提案する。我々は、ビジョンワークフローの異なるステージで組み込むことができるアルゴリズムを推奨するために、Deep Reinforcement Learningで補完されたTransformer Architectureを導入する。このシステムは、環境の動的な変化に対して堅牢かつ適応的である。実験結果はさらに、我々の方法はまた、トレーニング中に使用されていないアルゴリズムを推奨するためにうまく一般化し、したがって、テスト時間中に導入されたアルゴリズムの新しいセットでシステムを再トレーニングする必要性を軽減することを示している。

要約(オリジナル)

Creating a vision pipeline for different datasets to solve a computer vision task is a complex and time consuming process. Currently, these pipelines are developed with the help of domain experts. Moreover, there is no systematic structure to construct a vision pipeline apart from relying on experience, trial and error or using template-based approaches. As the search space for choosing suitable algorithms for achieving a particular vision task is large, human exploration for finding a good solution requires time and effort. To address the following issues, we propose a dynamic and data-driven way to identify an appropriate set of algorithms that would be fit for building the vision pipeline in order to achieve the goal task. We introduce a Transformer Architecture complemented with Deep Reinforcement Learning to recommend algorithms that can be incorporated at different stages of the vision workflow. This system is both robust and adaptive to dynamic changes in the environment. Experimental results further show that our method also generalizes well to recommend algorithms that have not been used while training and hence alleviates the need of retraining the system on a new set of algorithms introduced during test time.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL