近日，依托于中国科学院沈阳自动化研究所的机器人学国家重点实验室提出了一种连续多视角任务学习算法，可有效解决现存大部分多视角任务学习模型不能够满足让机器人快速学习新任务的问题。

目前，多视角多任务学习在机器学习和计算机视觉领域得到了广泛的应用，然而在诸多实际场景中，当多视角学习任务按序列顺序到来时，重新训练以前的任务在这种终身学习场景中会产生较高的存储需求和计算成本。

为应对这一挑战，科研人员在该研究中提出了一种集成了深度矩阵分解和稀疏子空间学习的连续多视角任务学习模型，称之为深度连续多视角任务学习（DCMvTL）。当新的多视角任务到来时，首先采用深度矩阵分解技术捕捉新任务中的隐含和分层表达知识，同时以一种逐层的方式存储这些新鲜的多视角知识。在这一基础上，稀疏子空间学习模型会应用于每一层抽取的因子矩阵上，并通过一个自表达约束捕获跨视角关联。

在基准测试数据集上的实验结果表明，深度连续多视角任务学习模型不仅能实现较高的认知准确率，同时能保持较高的学习效率，即让机器人“更快”认知不同的世界。

相关成果以Continual Multiview Task Learning via Deep Matrix Factorization为题发表于IEEE TRANSACTIONS ON NEURAL NETWORKS AND LEARNING SYSTEMS。该研究得到了国家自然科学基金和机器人学重点实验室的支持。

DOI: 10.1109/TNNLS.2020.2977497

连续多视角学习模型示意图

（中国日报辽宁记者站）