OpenLORIS-object

计算机视觉最近的突破得益于用于训练的大型代表性数据集（例如 ImageNet 和 COCO）的可用性。然而，机器人视觉对应用从这些标准计算机视觉数据集开发的视觉算法提出了独特的挑战，因为它们对一组固定任务的不变分布的隐含假设。由于计算、存储和有时隐私问题，每次有新任务可用时完全重新训练模型是不可行的，而幼稚的增量策略已被证明会遭受灾难性遗忘的困扰。对于机器人来说，使用自适应视觉感知系统在开放和有害条件下连续运行至关重要，其中终身学习是一项基本能力。然而，很少有数据集和基准可用于评估和比较新兴技术。为了填补这一空白，我们提供了一个新的终身机器人视觉数据集（“OpenLORIS-Object”），通过安装在移动机器人上的 RGB-D 相机收集。该数据集嵌入了机器人在现实生活应用中面临的挑战，并为验证终身对象识别算法提供了新的基准。此外，我们还提供了 9 种最先进的终身学习算法的测试平台。它们中的每一个都涉及 48 个任务，在 OpenLORIS-Object 数据集上具有 4 个评估指标。