Daily Arxiv

Esta página recopila y organiza artículos sobre inteligencia artificial publicados en todo el mundo.
La información aquí presentada se resume utilizando Google Gemini y el sitio se gestiona sin fines de lucro.
Los derechos de autor de los artículos pertenecen a sus autores y a las instituciones correspondientes; al compartir el contenido, basta con citar la fuente.

Aprendizaje continuo para la fusión de datos multimodales de una pinza blanda

Created by
  • Haebom

Autor

Nilay Kushawaha, Egidio Falotico

Describir

Este artículo propone un algoritmo de aprendizaje continuo (CL) capaz de adquirir nuevos conocimientos del entorno de forma continua e incremental, manteniendo al mismo tiempo la información previamente adquirida. Específicamente, está diseñado para aprender incrementalmente de diversas modalidades de datos (p. ej., datos táctiles y visuales) y aprovecha tanto el aprendizaje incremental de clase como el de dominio en entornos artificiales con etiquetas insuficientes, pero abundantes datos de distribución independiente e idéntica (NIID) sin etiquetar. El algoritmo mejora la eficiencia almacenando únicamente prototipos para cada clase. Evaluamos su rendimiento utilizando un conjunto de datos multimodales personalizado que consta de datos táctiles de una pinza neumática blanda y datos visuales de objetos extraídos de imágenes fijas, así como el conjunto de datos Core50. Además, validamos la robustez del algoritmo mediante experimentos de clasificación de objetos en tiempo real utilizando el marco ROS.

Takeaways, Limitations

•
Takeaways:
◦
Presentamos un nuevo algoritmo CL que aprende eficientemente datos de varias modalidades en un entorno de datos de etiquetas limitado.
◦
Aplicabilidad mejorada a entornos del mundo real al considerar escenarios de aprendizaje incremental tanto de clase como de dominio.
◦
Mayor eficiencia de la memoria con aprendizaje basado en prototipos.
◦
Validación de la practicidad del algoritmo mediante la integración con sistemas robóticos reales.
•
Limitations:
◦
El rendimiento del algoritmo propuesto puede depender del conjunto de datos utilizado.
◦
Se necesita más investigación sobre el rendimiento de la generalización en diferentes tipos de modalidades y entornos.
◦
Es necesaria la optimización del algoritmo para mejorar el rendimiento en tiempo real.
◦
Se necesita una revisión más profunda con respecto a la generalización y representatividad del conjunto de datos personalizados utilizados.
👍
Made with Slashpage