Jul, 2020

一台机器人的 Few-Shot 增量式目标学习

PDF
TL;DR本文介绍了使用少量的视觉示例逐步训练机器人识别不同物体类别的实用系统，并在表格整理任务中演示了该系统的能力。实验评估表明，我们的方法几乎可以达到一次性使用所有示例（批量训练）训练的系统的性能水平。
robotsincremental trainingobject recognitionfew-shot learningexperimental evaluation
发现论文，激发创造
  • CBCL-PR：一种在机器人领域实现逐类增量学习的认知启发模型

    通过受海马体和新皮质概念学习理论启发，我们提出了一种新颖的框架来解决小样本类递增学习的问题，在两个对象分类数据集上评估了框架的性能，结果显示其具有类递增学习和小样本类递增学习的最新技术水平，并通过在机器人上演示表明我们的框架在有限的人类辅助下能够持续学习对大量家居物品进行分类。

    Jul, 2023

  • 视觉动作学习和规划的少样本目标推断

    本研究提出一种基于 few-shot 和 meta 学习的方法，以实现在不确定环境下，通过从少量任务成功状态中学习目标来实现机器人的自主学习和行动。

    Sep, 2018

  • 无遗忘动态少样本视觉学习

    该研究提出了一种基于卷积神经网络和注意力机制的少样本视觉学习系统，旨在实现在测试时只使用少量训练数据就能有效地学习新类别，同时不会忘记原先基础类别的模型。经过在 Mini-ImageNet 数据集的测试，该模型在 1-shot 和 5-shot 设置下都取得了 56.20% 和 73.00% 的最优成绩。

    Apr, 2018

  • FewSOL: 机器人环境中的小样本目标学习数据集

    介绍了 Few-Shot Object Learning (FewSOL) 数据集，用于针对每个物体进行少量图像识别，研究结果表明目前机器人环境下还有一定提升空间，适用于研究分类、检测、分割、形状重构、姿态估计、关键点对应和属性识别等少量图像识别问题。

    Jul, 2022

  • 类别增量式少样本目标检测

    本文提出了一种名为 LEAST 的新的模型转移方法，通过减少权重适应、知识蒸馏和基于聚类的样本选择等步骤，实现了在小样本量下增量式学习的目标检测问题中的高效性能。

    May, 2021

  • 自然语言机器人指令跟随的小样本物体定位与映射

    该研究探讨了如何通过学习一个机器人策略来遵循自然语言指令，从而轻松地将其扩展以推理新对象，并介绍了一个基于数据增强的少量学习语言条件对象基础方法，以识别对象并将其与指令中的对象匹配。然后，将其整合到遵循指令的策略中，从而使其能够通过添加样例来推理出先前未见过的对象。经过评估，该方法在测试时比现有技术水平表现得更好，即使先前的方法在训练过程中观察到所有的对象。

    Nov, 2020

  • 多重语义下走向少样本学习的初步探索

    本研究关注于使用额外语义信息以便在少量样本时进行图像分类，研究表明组合多种语义信息可以带来更好的效果。

    Jun, 2019

  • 通过隐式图对齐进行少样本上下文内模仿学习

    通过将模仿学习作为对象图表示之间条件对齐问题来解决机器人在新对象上学习任务的困难，使得机器人能够在示范之后立即在一组新对象上执行任务，无需先验知识或进一步训练。

    Oct, 2023

  • 在线持续学习用于室内物体识别的强健性

    家用机器人上安装的视觉系统需要与不可见的类别在多变的环境中进行交互。我们提出了 RobOCLe 作为一种少样本在线持续学习模型，通过构建富化特征空间和计算样本的高阶统计矩来改善连续学习模型的鲁棒性。

    Jul, 2023

  • 自我推进的原型细化算法用于少样本类别增量学习

    提出了一种新的增量原型学习方案，其中包括自适应特征表示和自我推进的原型细化机制，通过动态关系投影模块来计算共享嵌入空间中的关系矩阵并将其作为引导原型更新的因素，经过三个基准数据集的广泛实验，表现优于现有的增量学习方法。

    Jul, 2021