模糊本体中结构化场景的增量引导和分类
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
通过符号学习框架实现类似认知记忆功能,生成任务表示来支持高级任务规划和知识引导,通过一次性学习过程和非注释数据存储任务的清晰表示,利用简单启发式规则对记忆观察进行排序,形成分层知识表示的框架并通过组装任务情景验证其性能、讨论其优劣。
Apr, 2024
本文提出了一种利用视觉场景中的场景描述图(SDG)从图像中提取语言描述的方法,该方法通过自动构建的知识库应用视觉和推理的方式构建 SDG,并使用自然语言处理的图像注释进行的 “常识” 知识库和来自资源(如 WordNet)的词汇本体知识。通过针对 Flickr8k、Flickr30k 和 MS-COCO 数据集的基于 Amazon Mechanical Turk(AMT)的评估,我们的方法获得的自动构建句子的 SDGs 通常比基于最新的最先进的图像标题方法更相关和全面的描述了图像。我们的图像 - 句子对齐评估结果也与最新的最先进方法相当。
Nov, 2015
提出一种基于深度学习架构的机器人知识动态更新方法,该方法可以在不重新训练整个系统的情况下检测和学习感知对象是否属于系统已知的类别集,并可通过手动标注或网络自动挖掘获得新的类别信息以扩展系统知识。
Jun, 2019
本研究提出了一种利用引导和文本边框语义的场景文本检测技术,以准确定位场景中的文本。通过多次对文本局部进行采样以有效缓解训练数据量有限的约束,提高了文本特征图的一致性;同时,设计了一种文本边界检测技术,通过生成每个场景文本的四种文本边框段,可以更准确地定位文本。本技术在多个公共数据集上展示了优异的表现。
Jul, 2018
该论文提出了一种基于认知系统的深度网络模型,以探索深度网络模型内部表示和推理机制的知识表示、推理和学习挑战,并通过使用空间关系的接地和递增式的学习,以及基于非单调逻辑推理和基础常识域知识的决策,实现对场景中物品遮挡和稳定性的推理,通过识别与任务相关的图像区域训练深度网络模型来提高决策的可靠性和减少相关的训练工作量。
Jan, 2022
利用 Gärdenfors 的概念空间框架,基于属性分解的方法提高了人工智能代理的知识表示,并设计了一种基于模糊逻辑的类别归属判定模型;此方法在制造领域的应用能够有效提高人工智能代理的可解释性和可信度。
May, 2023
该篇论文介绍了一个关于机器人在部分观察环境下进行可靠的推理与规划的有效方法,通过提供现实世界中物体属性的概率信息,并采取正确的策略,实现基于内部状态的自我学习,并验证了该方法在两个开放领域的规划问题中的有效性。
Feb, 2018
本文提出了一种可以适应不同场景的视觉定位方法,包括改进的模型架构、层次相关层和尺度和不确定性信息的利用。该方法优于使用 SIFT 特征的 5 点算法和之前训练在不同数据上的学习方法,并在只有很少的参考图像可用的情况下,明显优于现有的学习和经典方法。
Nov, 2020
通过与用户的有限交互,为真实世界的应用而设计的机器人将需要不断学习其环境。本文结合了少样本类增量学习(FSCIL)和主动类选择(ACS)的思想,开发了一个新框架,使自主代理能够通过要求用户仅对环境中最富信息的少数对象进行标记来持续学习新对象。我们构建并扩展了一种最先进的 FSCIL 模型,并结合 ACS 文献中的技术,将其命名为少样本增量主动类选择(FIASco)模型。我们进一步将基于潜在场的导航技术与我们的模型集成,开发了一个完整的框架,可以使代理通过 FIASco 模型对其感知数据进行处理和推理,朝向环境中最富信息的对象导航,通过其传感器收集对象的数据,并逐步更新 FIASco 模型。在模拟代理和真实机器人上的实验结果显示了我们的方法对于长期的真实世界机器人应用的重要性。
Jul, 2023