ui展示 网站设计在线好看

Interactron: Embodied Adaptive Object Detection

创新点

这些方法通常存在两个主要的共同假设。第一，模型在固定的训练集上进行训练，并在预先录制的测试集上进行评估。第二，模型在训练阶段结束后保持冻结状态，即训练完成后不再进行更新。这两个假设限制了这些方法在现实场景中的适用性
在推理过程中继续训练，并在测试时通过与环境交互，在没有任何明确监督的情况下使模型适应环境

内容

在训练过程中，智能体使用有监督数据学习损失函数，即它学习模仿使用标记数据在训练过程中产生的梯度。
在推理过程中，目标检测没有可用的监督信息。然而，模型可以为输入图像生成梯度。因此，模型可以在推理时使用生成的梯度进行更新

自适应损失模型

在测试时，这种方法不可行，因为我们没有任何帧的标签。我们可以通过添加另一个损失来解决这个问题，这个损失不是基于标签，而是仅基于F中的帧

监督器是一个 Transformer 模型,