.png){kind=icon}
返回
Active Semi-supervised Continual Learning for Robotic Object Recognition
.png){kind=icon}
PRE
AI
DOI：10.1007/978-981-95-4987-0_13.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在实际应用中，机器人操作环境通常是开放且动态的，机器人经常遇到先前未见过的物体。持续学习通过逐步获取新物体的知识并缓解灾难性遗忘，为机器人物体识别提供了有效解决方案。然而，大多数持续学习方法假设所有数据的标签都是可用的，这在现实场景中不切实际——机器人通常遇到的是无标签数据流，且专家标注的机会有限。这一局限性提出了两个挑战：选择最有价值的样本进行标注，以及有效利用丰富的无标签数据来增强学习。为应对这些挑战，我们提出了一个用于机器人终身物体识别的主动半监督持续学习（ASCL）框架。ASCL框架通过三个关键机制运行：（1）利用特征聚类和距离度量主动选择最具代表性和多样性的样本进行标注，（2）通过利用特征空间邻域关系和分类器置信度度量，为无标签数据生成可靠的伪标签，（3）实施无标签任务关键训练与提示调优相结合，以实现有效的半监督持续学习。实验结果表明，ASCL在真实世界机器人数据集上实现了显著的性能提升。值得注意的是，即使在有限的标签数据下，它也能达到近乎全监督的性能水平，展示了在标签稀缺场景下强大的持续学习能力。
Keyword:
Robotic lifelong object recognition
Semi-supervised continual learning
Active learning
期刊
P
IF:
0
论文数:
30
被引数:
0
机构
引用论文
CODA-Prompt: COntinual Decomposed Attention-Based Prompting for Rehearsal-Free Continual Learning
OAAI
OAAI分享收藏Smith, J.; Balloch, J.; Hsu, Y.C.; Kira, Z. Memory-Efficient Semi-Supervised Continual Learning: The World is its Own Replay Buffer. In Proceedings of the 2021 International Joint Conference on Neural Networks (IJCNN), Shenzhen, China, 18–22 July 2021; pp. 1–8. [Google Scholar] [CrossRef]Smith, J.; Balloch, J.; Hsu, Y.C.; Kira, Z. 内存高效的半监督持续学习：世界即是其回放缓冲区。发表于2021年国际神经网络联合会议（IJCNN），中国深圳，2021年7月18日至22日；第1-8页。[Google Scholar][CrossRef].png)
IF0
PREAI
分享收藏分享收藏
查看更多内容