使用归纳先验学习三维机器人感知
该研究通过对深度神经网络的训练动态、神经元和层级表示的广泛实证研究,尝试辨别深度学习系统中隐含的聚类能力、机制和超参数,评估它们对解释这些系统的泛化能力的相关性,从而阐述了先验知识在机器学习设计中的重要性。
Mar, 2022
探讨了利用几何约束来学习视角不变、几何感知表达,通过对 RGB-D 数据进行对比度学习,实现从 3D 先验信息到 2D 表达的迁移,并在语义分割、实例分割、室内物体检测中实现了显著提升。
Apr, 2021
利用神经网络简化世界,构建机器人手臂三维位置的低维状态表示,我们在高维图像中使用先验知识的失真函数学习无监督,并通过加大图像尺寸、添加干扰项和域随机化等手段实现转移学习,检验新先验在表示的稳定性上的贡献。
Sep, 2017
本文提出了一种方法来解决复杂开放环境下机器人操作的问题,该方法基于先前训练的通用视觉模型作为感知系统的对象先验,并引入了一个基于对象的注意机制来确定相关对象,通过少数轨迹或演示将这些对象纳入学习策略,使用强化学习可以学习多种操作任务。
Aug, 2017
本论文提出了一种用于预训练行为先验的方法,以便捕捉先前看到的各种任务中观察到的复杂输入输出关系,并展示了如何使用这种学习到的先验以便快速学习新任务,有效地解决了具有挑战性的机器人操纵领域中的问题。
Nov, 2020
研究利用视觉先验在学习下游动作任务方面的帮助程度及其不使用的后果,通过在强化学习框架中整合感知技能集,探讨中级视觉如何提供比原始图像更加处理过的世界状态,从而实现更快、更好的学习和更高的终端性能,并通过计算导出任务不可知的一组优化的代表性来证明视觉表示不是适用于所有下游任务的普遍工具。
Dec, 2019
该研究提出了一种新的 3D 建模和重建学习框架,通过连接基于学习和基于优化的方法的优点并优化学习的先验和潜在编码,提高了深度生成器的广义性。实验结果显示,该方法在处理高度稀疏或坍塌的观测数据方面比现有方法都有优势。
Dec, 2020
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
提出了一种简单而有效的方法,通过利用与自动驾驶相关的时序数据的图像先验来改善语义分割准确性,该方法采用先验融合网络来学习先前图像的特征,最终将具体应用于提高场景理解。
Oct, 2019
本文研究如何通过强化机器学习模型的物理先验知识来解决物理图像理解问题,提出了一种包含 17 个物理系统的数据集,对当前物理启发式机器学习方法进行了细致的对比分析,结果表明尽管这些方法通常可以学习到具有良好性质的隐藏空间,但没有显著提升标准技术的性能。
Nov, 2021