我们提出了 C-LAIfO，一种计算效率高的算法，设计用于从视频中进行模仿学习，即使在智能体和专家领域之间存在视觉不匹配。我们通过对具有视觉差异的专家视频的模仿问题进行分析，并提出了一种使用对比学习和数据增强进行稳健潜空间估计的解决方案。在提供了视觉稳健潜空间后，我们的算法完全在该空间内使用离策略对抗模仿学习进行模仿。我们进行了全面的消融研究以证明我们的设计选择，并在高维连续机器人任务上对 C-LAIfO 进行了测试。此外，我们演示了如何将 C-LAIfO 与其他奖励信号结合起来，以促进在一组具有稀疏奖励的挑战性手部操作任务中的学习。我们的实验表明，与基准方法相比，C-LAIfO 的性能得到了提高，凸显了其有效性和多功能性。为了确保可重现性，我们提供了我们的代码的开放访问。

Jun, 2024

该研究提出了将校准对比学习应用于视觉对抗性模仿学习框架的简单有效解决方案，以从视觉状态中提取有价值的特征，在不修改架构或产生显著计算成本的情况下，可以与模仿学习框架共同优化。实验证明，该方法在 DMControl Suite 上能够以样本效率高、从多个方面超越其他方法。

Jan, 2024

使用深度传感器在房间中捕获对象的 3D 模型，采用基于深度强化学习的学习式 ICP 方法对 CAD 模型进行对齐，优于先前文献中的 ICP 方法，能够在实际场景中实现高质量结果的对象对齐。

Dec, 2018

提出了一种名为模仿学习（ItorL）的新主题，旨在基于非常有限的专家示范实现即时重构模仿策略，用于不同的未知任务，无需任何额外的调整。通过将模仿学习集成到强化学习范式中，设计了 Demo-Attention Actor-Critic（DAAC）来解决 ItorL 问题，并为模仿者策略设计了一种基于示范的注意力架构，可以通过自适应追踪示范中的适当状态有效地输出模仿动作。在新的导航基准和机器人环境中，展示出 DAAC 在已知和未知任务上均比之前的模仿方法有着显著的优势。

Oct, 2023

在动态环境中，在线、单通、类增的情况下，我们利用基于贝叶斯的框架和在线内存回访的有效方法来解决这个挑战性的 lifelong learning 问题，并在实验证明了我们的方法超越了此前的研究成果。

Jan, 2023

本文介绍了一种基于计算机视觉的视觉辅助识别系统，通过图像匹配在监控视频中实现实时自动设备标注。该系统采用 ORB 算法提取图像特征和 GMS 算法去除错误匹配点，利用局部自适应聚类（LAC）方法来增强标签定位，该方法通过聚类中心对匹配模板进行分割，提高了标签的效率和稳定性。实验结果表明，LAC 有效地限制了标签的漂移。

Jan, 2024

本研究提出一种基于情景感知的实时流式传输方案，以实时识别重要事件和降低发射功率。该方案主要利用少量隐藏层的小型神经网络在源端对特定情景下的帧进行高重要性分配，并将高重要性的帧与一定信噪比的低重要性帧同时流式传输，在接收端进行深度神经网络分析提取准确的情景并节约约 38.5% 的能源。

Apr, 2022

本文提出一种新的跨架构对比学习（CACL）框架，用于自监督视频表示学习，使用 3D CNN 和视频变换器并行生成对比学习中多样化的正对，同时引入了一个具有明确视频序列编辑距离预测能力的时间自监督学习模块，用于学习强大的时序性表示，在 UCF101 和 HMDB51 数据集上表现卓越，超越 VideoMoCo 和 MoCo + BE 等现有技术。

May, 2022

本论文研究了增量学习的问题，提出了一种采用主动和非均衡的采样方法，将增量学习视为一个非均衡学习问题，通过类别预测缩放降低不平衡的影响，针对四个视觉数据集进行了评估，并表明该方案对于减少主动和标准增量学习性能之间的差距产生了积极的效果。

Aug, 2020

将强化学习和模仿学习有效性应用于基于视觉的自主无人机竞赛，通过直接处理视觉输入无需明确状态估计，我们提出了一种结合强化学习和模仿学习优势的新型训练框架，通过三个阶段的训练实现超越单独强化学习或模仿学习在仅使用视觉信息且无需明确状态估计的情况下驾驶四轴飞行器穿过赛道的优秀性能和鲁棒性。

Mar, 2024