Dec, 2023

强化学习中的物体位置追踪：用于关键点检测的度量（扩展版）

PDF
TL;DR提出了一种用于评估 SAE 实例性能的轻量级度量标准，并验证 SAE 实例的跟踪性能与其在下游强化学习中的表现的关系。从而实现在昂贵的强化学习训练之前对 RL 性能的评估，同时提出了改进 SAE 架构以提高跟踪性能的三个关键修改。
发现论文，激发创造
  • S3K: 自监督语义关键点多视角一致性用于机器人操作

    本文探讨机器人行动的基本局限性和现有的视觉表征学习方法存在的问题，并提出利用语义三维关键点作为视觉表征的方法，通过半监督训练，使其精度达到毫米级别，能够帮助定义强化学习的奖励函数并作为代理训练的有效表征。

    Sep, 2020

  • 深度空间自编码器用于视觉机器人学习

    该研究采用增强学习的方法，通过深度空间自编码器从摄像头图像中直接学习状态表征，以实现对环境进行特征点提取和控制的闭环控制，展示了 PR2 机器人在推动自由玩具方块、使用铲子拿起一袋米和在不同位置将绳环悬挂在钩子上等任务中自动学习控制的成功案例。

    Sep, 2015

  • 基于度量学习的多任务结构化输出优化技术，用于强健的关键点跟踪

    提出了一种基于时空多任务结构输出优化的鲁棒性关键点跟踪器，实现了跨帧时空模型的一致性、帧内空间模型的一致性以及辨别特征的构建，并采用联合学习方案同时优化了上述三个模块。

    Dec, 2014

  • 针对图像检索和重新识别的对齐关键点嵌入

    本研究提出了一种新的关键点对齐图像嵌入方法 (KAE-Net)，通过多任务学习和热力图重构来辅助训练，实现了图像的检索和重新识别任务，并在 CUB-200-2011、Cars196 和 VeRi-776 等基准数据集上取得了最先进的性能表现。

    Aug, 2020

  • 未来的重点：基于模型的强化学习中的自监督对应

    本文提出基于自监督视觉对应学习的模型预测方法，证明了这种方法能够在视觉学习的强化学习中实现明显的性能提升，并通过模拟实验和硬件实验的验证显示出在一些情境下，这种预测模型具有更好的泛化性能。

    Sep, 2020

  • 雷达下的关键点鲁棒性预测学习：在里程计估计和度量定位中的应用

    本文提出了一种用于雷达中自学习检测鲁棒关键点从而进行里程计估计和度量本地化的自监督框架。通过在我们的架构中嵌入可微分的基于点的运动估计器，我们仅通过本地化误差学习关键点的位置、分数和描述符，该方法避免了对什么是鲁棒关键点的任何假设，并且能够应用于大多数模态。在牛津雷达机器人车数据集的 280 公里真实驾驶实验中，我们改善了基于点的雷达里程表的最新研究成果，将误差降低了 45％，同时速度提高了一个数量级，并可同时解决度量环路闭合的问题。结合这些输出，我们提供了一个能够在城市环境下使用雷达进行完整地图绘制和本地化的框架。

    Jan, 2020

  • 超越卷积的优化：利用端到端度量学习推广空间关系

    本文提出了一种基于距离度量学习的端到端方法来推广空间关系，通过训练神经网络将对象的 3D 点云转换为捕捉所述空间关系相似性的度量空间，使用梯度优化来计算物体姿态来模仿任意目标关系，实验结果表明该方法使机器人能够在未知对象上推广空间关系。

    Jul, 2017

  • 使用以规划者为中心的度量方法学习评估感知模型

    本研究提出了一种面向自动驾驶的三维物体检测的原则性指标，可以测量检测结果对车辆驾驶的影响，该指标可以考虑除 “零误报” 和 “零漏报” 之外的其他因素比如目标与车辆的距离和速度，从而代表了一种新的衡量标准。

    Apr, 2020

  • 跨视角基于学习的关系对象匹配

    本论文提出了一种基于 RGB 图像的目标检测匹配的学习方法，结合了局部关键点与新颖的物体级特征，通过关联图神经网络训练，在许多视图上具有较好的性能并优于现有的纯关键点匹配方法。

    May, 2023

  • 图像的背叛：机器人操作中基于贝叶斯场景关键点的深度策略学习

    本文提出了一种基于贝叶斯方法的算法来跟踪图像中的尺度不变的关键点，对于机器人的多目标操作任务，该算法较其他方法更加高效且具备鲁棒性。

    May, 2023