近日，依托于中國科學院沈陽自動化研究所的機器人學國家重點實驗室提出了一種連續(xù)多視角任務學習算法，可有效解決現(xiàn)存大部分多視角任務學習模型不能夠滿足讓機器人快速學習新任務的問題。

目前，多視角多任務學習在機器學習和計算機視覺領域得到了廣泛的應用，然而在諸多實際場景中，當多視角學習任務按序列順序到來時，重新訓練以前的任務在這種終身學習場景中會產生較高的存儲需求和計算成本。

為應對這一挑戰(zhàn)，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習的連續(xù)多視角任務學習模型，稱之為深度連續(xù)多視角任務學習（DCMvTL）。當新的多視角任務到來時，首先采用深度矩陣分解技術捕捉新任務中的隱含和分層表達知識，同時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，稀疏子空間學習模型會應用于每一層抽取的因子矩陣上，并通過一個自表達約束捕獲跨視角關聯(lián)。

在基準測試數(shù)據(jù)集上的實驗結果表明，深度連續(xù)多視角任務學習模型不僅能實現(xiàn)較高的認知準確率，同時能保持較高的學習效率，即讓機器人“更快”認知不同的世界。

相關成果以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基金和機器人學重點實驗室的支持。

DOI: 10.1109/TNNLS.2020.2977497