COME: Un marco de optimización colaborativa con MoE de bajo rango para la detección de objetos 3D en interiores

Área de la Ciencia:

• Visión por Computadora
• Robótica
• Aprendizaje Automático

Sus antecedentes:

• La detección de objetos 3D en interiores es crucial para la visión por computadora y la robótica.
• Los métodos actuales a menudo entrenan modelos específicos del dominio, descuidando los atributos geométricos universales.
• Este enfoque limita el rendimiento en diversos conjuntos de datos.

Objetivo del estudio:

• Proponer COME, un marco de optimización colaborativa para la detección de objetos 3D en interiores.
• Integrar atributos geométricos universales preservando las características específicas del dominio.
• Mejorar el rendimiento de la detección de objetos entre dominios.

Principales métodos:

• COME utiliza una Estrategia de Compartición de Parámetros de Expertos entre Dominios (CEPSS), inspirada en la Mezcla de Expertos (MoE).
• CEPSS presenta expertos duales: compartidos entre dominios para atributos universales y específicos del dominio para características únicas.
• Una red de puerta de enlace ligera selecciona dinámicamente los expertos, optimizando para diferentes dominios y reduciendo los conflictos de gradiente. Las estructuras de bajo rango mejoran la eficiencia computacional.

Principales resultados:

• COME logra resultados de vanguardia en conjuntos de datos de referencia.
• El marco demuestra un rendimiento superior en comparación con los métodos de detección multimodales existentes.
• Muestra un crecimiento de parámetros aceptable mientras mejora la precisión de la detección.

Conclusiones:

• COME integra eficazmente características universales y específicas del dominio para mejorar la detección de objetos 3D.
• El marco propuesto ofrece un avance significativo en el aprendizaje entre dominios para tareas de visión por computadora.
• COME proporciona una solución computacionalmente eficiente y de alto rendimiento para la detección de objetos 3D en interiores.