今日頭條
官方微信
官方抖音
資訊頻道近日，依托于中國科學(xué)院沈陽(yáng)自動(dòng)化研究所的機器人學(xué)國家重點(diǎn)實(shí)驗室提出了一種連續多視角任務(wù)學(xué)習算法，可有效解決現存大部分多視角任務(wù)學(xué)習模型不能夠滿(mǎn)足讓機器人快速學(xué)習新任務(wù)的問(wèn)題。
目前，多視角多任務(wù)學(xué)習在機器學(xué)習和計算機視覺(jué)領(lǐng)域得到了廣泛的應用，然而在諸多實(shí)際場(chǎng)景中，當多視角學(xué)習任務(wù)按序列順序到來(lái)時(shí)，重新訓練以前的任務(wù)在這種終身學(xué)習場(chǎng)景中會(huì )產(chǎn)生較高的存儲需求和計算成本。
為應對這一挑戰，科研人員在該研究中提出了一種集成了深度矩陣分解和稀疏子空間學(xué)習的連續多視角任務(wù)學(xué)習模型，稱(chēng)之為深度連續多視角任務(wù)學(xué)習（DCMvTL）。當新的多視角任務(wù)到來(lái)時(shí)，首先采用深度矩陣分解技術(shù)捕捉新任務(wù)中的隱含和分層表達知識，同時(shí)以一種逐層的方式存儲這些新鮮的多視角知識。在這一基礎上，稀疏子空間學(xué)習模型會(huì )應用于每一層抽取的因子矩陣上，并通過(guò)一個(gè)自表達約束捕獲跨視角關(guān)聯(lián)。
在基準測試數據集上的實(shí)驗結果表明，深度連續多視角任務(wù)學(xué)習模型不僅能實(shí)現較高的認知準確率，同時(shí)能保持較高的學(xué)習效率，即讓機器人“更快”認知不同的世界。
相關(guān)成果以Continual Multiview Task Learning via Deep Matrix Factorization為題發(fā)表于IEEE TRANSACTIONS ON NEURAL NETWORKS AND LEARNING SYSTEMS。該研究得到了國家自然科學(xué)基金和機器人學(xué)重點(diǎn)實(shí)驗室的支持。
DOI:10.1109/TNNLS.2020.2977497
連續多視角學(xué)習模型示意圖
北京市公安局海淀分局備案號：11010802023656號