CVPR 2019审稿满分论文:中国博士提出融合CV与NLP的视觉语言导航新方法
整理 | 刘畅、Jane
责编 | Jane
出品 | AI科技大本营(公众号id:rgznai100)
如何挑战百万年薪的人工智能!
https://edu.csdn.net/topic/ai30?utm_source=csdn_bw
CVPR 2019 接收论文编号公布以来,AI科技大本营开始陆续为大家介绍一些优秀论文。今天推荐的论文,将与大家一起探讨一种在视觉语言导航任务中提出的新方法,来探索未知环境。
作者
这篇论文是 UC Santa Barbara 大学(加州大学圣巴巴拉分校)与微软研究院、Duke 大学合作完成,第一作者系 UC Santa Barbara 大学的王鑫。
据 UC Santa Barbara 计算机科学系助理教授王威廉在其个人微博上发表的喜讯,这篇论文的一作是其组内的成员,获得了 3 个 Strong Accept,在 5165 篇投稿文章中审稿得分排名第一,并且这篇论文已经确定将在 6 月的 CVPR 会议上进行报告。
这篇论文解决的任务 vision-language navigation(VLN)我们之前介绍的并不多,所以,这次营长会先给大家简单介绍 VLN,然后从这项任务存在的难点到解决方法、实验效果等方面为大家介绍,感兴趣的小伙伴们可以从文末的地址下载论文,详细阅读。
什么是 VLN?
视觉语言导航(vision-language navigation, VLN)任务指的是引导智能体或机器人在真实三维场景中能理解自然语言命令并准确执行。结合下面这张图再形象、通俗一点解释:假如智能体接收到“向右转,径直走向厨房,然后左转,经过一张桌子后进入走廊...”等一系列语言命令,它需要分析指令中的物体和动作指令,在只能看到一部分场景内容的情况下,脑补整个全局图,并正确执行命令。所以这是一个结合 NLP 和 CV 两大领域,一项非常有挑战性的任务。
难点
虽然我们理解这项任务好像不是很难,但是放到 AI 智能体上并不像我们理解起来那么容易。对 AI 智能体来说,这项任务通常存在三大难点:
难点一:跨模态的基标对准(cross-modal grounding);简单解释就是将NLP 的指令与 CV 场景相对应。
难点二:不适定反馈(ill-posed feedback);就是通常一句话里面包含多个指令,但并不是每个指令都会进行反馈,只有最终完成任务才有反馈,所以难以判断智能体是否完全按照指令完成任务。
难点三:泛化能力问题;由于环境差异大,VLN 的模型难以泛化。
那这篇论文中,作者又做了哪些工作,获得了评委们的一致青睐,获得了 3 个 Strong Accept 呢?方法来了~
方法
1、RCM(Reinforced Cross-Modal Matching)模型
针对第一和第二难点,论文提出了一种全新的强化型跨模态匹配(RCM)方法,用强化学习方法将局部和全局的场景联系起来。
RCM 模型主要由两个模块构成:推理导航器和匹配度评估器。如图所示,通过训练其中绿色的导航器,让它学会理解局部的跨模态场景,推断潜在的指令,并生成一系列动作序列。另外,论文还设置了匹配度评估器(Matching Critic)和循环重建奖励机制,用于评价原始指令与导航器生成的轨迹之间的对齐情况,帮助智能体理解语言输入,并且惩罚不符合语言指令的轨迹。
以上的方法仅仅是解决了第一个难点,所以论文还提出了一个由环境驱动的外部奖励函数,用于度量每个动作成功的信合和导航器之间的误差。
2、SIL(Self-supervised Imitation Learning)方法
为了解决第三个难点,论文提出了一种自监督模仿学习(Self-supervised Imitation Learning, SIL),其目的是让智能体能够自主的探索未知的环境。其具体做法是,对于一个从未见过的语言指令和目标位置,导航器会得到一组可能的轨迹并将其中最优的轨迹(采用匹配度评估器)保存到缓冲区中,然后匹配度评估器会使用之前介绍的循环重建奖励机制来评估轨迹,SIL方法可以与多种学习方法想结合,通过模仿自己之前的最佳表现来得到更优的策略。
测试结果
1、测试集:R2R(Room-to-Room)Dataset;视觉语言导航任务中一个真实 3D环境的数据集,包含 7189 条路径,捕捉了大部分的视觉多样性,21567 条人工注释指令,其平均长度为 29 个单词。
2、评价指标
PL:路径长度(Path Length)
NE:导航误差(Navigation Error)
OSR:Oracle 成功率(Oracle Success Rate)
SR:成功率( Success Rate)
SPL:反向路径长度的加权成功率(Success rate weighted by inverse Path Length)
3、实验对比:与 SOTA 进行对比,此前在 R2R 数据集上效果最优的方法。
Baseline:Random、seq2seq、RPA 和 Speaker-Follower。
测试结果显示,RCM 模型的效果在 SPL 指标上明显优于当前的最优结果。
并且在 SIL 方法学习后,学习效率也有明显的提高,在见过和未见过的场景验证集上,并可视化了其内部奖励指标。
论文地址:
https://arxiv.org/pdf/1811.10092.pdf
近期值得读的好论文:
新论文:
CVPR2019 | 微软、中科大开源基于深度高分辨表示学习的姿态估计算法
开源论文:
ICLR 2019 | 脱掉图片人物的裤子,就是这么任性
性能优秀的算法:
PFLD:简单、快速、超高精度人脸特征点检测算法
如果你也想推荐你觉得值得一读的论文,或者解读了哪篇优秀论文都可以投稿给营长,上面是我们的投稿方式,投稿时请按照要求备注哦~
(本文为AI科技大本营整理文章,转载请微信联系 1092722531)
人工智能如何学?
https://edu.csdn.net/topic/ai30?utm_source=csdn_bw
群招募
扫码添加小助手微信,回复:公司+研究方向(学校+研究方向),邀你加入技术交流群。技术群审核较严,敬请谅解。
推荐阅读:
曝贾扬清第二跳,加入阿里!达摩院或将承载中国下一个AI愿景?
投稿近2000,NAACL 2019接收率仅为22.6%|附录取论文名单
如何从零开始用PyTorch实现Chatbot?(附完整代码)
Python语音识别终极指南(收藏)
被感冒折磨一周后,我研究了一下生病这件事
北京程序媛图鉴 | 程序员有话说
阿里云又宕机!
一部刷爆朋友圈的5G短片,看完才知道5G多暖多重要!
20万赚200万,48岁创业者是这样吊打小鲜肉的!
为啥程序员下班后只关显示器从不关电脑?
❤点击“阅读原文”,查看历史精彩文章。
CVPR 2019审稿满分论文:中国博士提出融合CV与NLP的视觉语言导航新方法相关推荐
- CVPR 2019审稿排名第一满分论文:让机器人也能「问路」的视觉语言导航新方法...
本文授权转载自机器之心 未经许可禁止二次转载 CVPR 2019 将于 6 月 15 日 – 6 月 21 日在加利福尼亚州长滩举办,会议论文录取结果也已于近日公布.其中,来自加州大学圣塔芭芭拉分校王 ...
- CVPR 2019 爆款论文作者现场解读:视觉语言导航、运动视频深度预测、6D姿态估计...
2019年计算机视觉顶会CVPR前不久刚在美国长滩闭幕.Robin.ly在大会现场独家采访20多位热点论文作者,为大家解读论文干货.本期三篇爆款文章包括: 1. CVPR满分文章.最佳学生论文奖.结合 ...
- CVPR 2019 目标检测论文汇总
CVPR 2019 目标检测论文汇总(0506更新中)极市平台已认证的官方帐号84 人赞同了该文章前段时间,计算机视觉顶会CVPR 2019 公布了接收结果,极市也对此做了相关报道 ,目前官方公布了 ...
- (九:2020.08.27)CVPR 2019 追踪之论文纲要(译)
CVPR 2019 追踪之论文纲要(修正于2020.08.28) 讲在前面 论文目录 讲在前面 论坛很多博客都对论文做了总结和分类,但就医学领域而言,对这些论文的筛选信息显然需要更加精细的把控,所以自 ...
- CVPR 2019超全论文合集新鲜出炉!| 资源帖
整理 | 夕颜 出品 | AI科技大本营(ID: rgznai100) 实不相瞒,这是一个资源福利帖--CVPR 2019 接收论文超全合集! 此前关于 CVPR 2019 论文和合集出过不少,但是这 ...
- 快了!CVPR 2019 所有录用论文题目列表刊出,即将开放下载!
点击我爱计算机视觉标星,更快获取CVML新技术 早前CVPR 2019 已经公布了录用论文列表,可惜只有论文编号: http://cvpr2019.thecvf.com/files/cvpr_2019 ...
- CVPR 2019 | 告别低分辨率网络,微软提出高分辨率深度神经网络HRNet
我爱计算机视觉曾经两次报道HRNet: 1. CVPR2019 | 微软.中科大开源基于深度高分辨表示学习的姿态估计算法 (论文出来第二天就向大家推送解读了) 2. 分割.检测与定位,高分辨率网络显神 ...
- CVPR 2019 | 近日新出论文汇总(含视频目标分割、GAN、度量学习、高效语义分割等主题)...
点击我爱计算机视觉标星,更快获取CVML新技术 CV君汇总了最近两天新出的CVPR 2019 论文,涵盖内容包括:度量学习.视频目标分割.GAN图像生成.基于RGB图像的物体表面网格生成.深度补全.高 ...
- CVPR 2019笔迹识别论文:逆鉴别网络+八路Attention
点击上方"AI搞事情"关注我们 论文链接: http://openaccess.thecvf.com/content_CVPR_2019/papers/Wei_Inverse_Di ...
最新文章
- windows下捕获dump
- 完美解答35K月薪的MySQL面试题(三)MySQL是如何实现事务的?
- Asp.Net验证控件和表达式测试题
- git创建本地分支、提交到远程分支
- CentOS7.7安装MySQL5.6并配置环境变量(详细版)
- 【文末有福利】量子计算是对计算本质的发现
- jQuery Moblie 页面模版(基础)
- 如何实现消息功能_如何实现微信小程序的轮盘抽奖功能
- Centos7(Ubuntu)密码登录失败锁定设置(亲测)
- Web API 文档生成工具 apidoc
- ranger文件管理器修改默认文本编辑器为vim
- 计算机服务添加打印机服务,无法添加打印机报错后台程序服务没有运行的解决方法...
- 看完这篇你还不明白如何解决分布式Session?
- 物联网示范项目优秀案例集
- 我的测试工程师之路--测试人员不看后悔
- Python:(使用matplotlib画图)使用bar画柱状图,并标注数字
- linux 内存 参数,linux free命令参数及用法详解(linux查看内存命令)
- 一键还原奥运版_《马力欧索尼克东京奥运会》评测6.9分:体感玩法也带不动的枯燥...
- linux ATT汇编 输出hello world
- EndeavourOS安装配置全攻略!
热门文章
- 理解LoadRunner中的局部变量和全局变量
- MySQL性能与磁盘读写的关系及优化策略
- 活下去,是一种信念 !
- std::tuple类型
- 2018-3-31(Nature-Inspired metaheuristic Algoritjms Second Edition第一章)笔记-优化,寻优,元启发式算法
- 1008: [HNOI2008]越狱(计数问题)
- python 获取脚本所在目录
- 12小时进制的时间输出的编辑代码
- pat1004. Counting Leaves (30)
- HBase保存的各个字段意义解释