- Анализ подходов к навигации в социальных роботах: кодировщик CNN и инкрементное обучение как альтернатива глубокому обучению с подкреплением (arXiv)
Автор: Жандерсон Феррейра, Агостиньо А.Ф. Жуниор, Летисия Кастро, Ив М. Гальван, Пабло Баррос, Бруно Х.Т. Фернандес.
Аннотация: Решение социальных задач в роботизированных сценариях затруднено, поскольку участие людей в цикле обучения несовместимо с большинством современных алгоритмов машинного обучения. Это имеет место при изучении моделей инкрементного обучения, в частности тех, которые включают обучение с подкреплением. В этой работе мы обсуждаем эту проблему и возможные решения, анализируя предыдущее исследование адаптивных сверточных кодировщиков для задачи социальной навигации.
2. Кодируют ли CNN дополнения данных? (arXiv)
Автор: Эдди Ян, Янпин Хуан.
Аннотация: Аугментация данных является важным компонентом рецепта обучения надежных нейронных сетей, особенно в области компьютерного зрения. Фундаментальный вопрос заключается в том, кодируют ли функции нейронной сети преобразования увеличения данных. Чтобы ответить на этот вопрос, мы вводим систематический подход для исследования того, какие слои нейронных сетей лучше всего предсказывают аугментационные преобразования. Наш подход использует функции в предварительно обученных моделях зрения с минимальной дополнительной обработкой для прогнозирования общих свойств, преобразованных путем увеличения (масштаб, соотношение сторон, оттенок, насыщенность, контраст и яркость). Удивительно, но функции нейронной сети не только предсказывают преобразования аугментации данных, но и предсказывают многие преобразования с высокой точностью. После проверки того, что нейронные сети кодируют функции, соответствующие преобразованиям расширения, мы показываем, что эти функции кодируются на ранних уровнях современных CNN, хотя сигнал расширения затухает в более глубоких слоях.
