title
Label-Free Supervision of Neural Networks with Physics and Domain Knowledge
会议
AAAI2017 Best paper
思想
提出了一种借助外部的物理知识来辅助做无标注的监督学习(听起来很诡异,好的title是成功的一半orz),初衷是通过一些对于环境的约束(比如匀速运动,自由落体)+外部物理定律(匀加速运动or匀速运动)+防止出现极端和平凡解(方差or图像翻转等),来得到一个关于输入变量x的约束函数g(x),把传统监督学习的loss(f(xi),yi)变成loss(g(xi,f(xi))+R(f),其中R就是相关的正则化约束。
实验:
实验一,二的度量尺度都是像素空间,其实并没有真正可以理解成知道depth
实验一:
自由落体运动,预测图上羽毛球的高度,0.1s一帧图像
公式推导还要看一下
实验二:
行人匀速运动,为了防止出现平凡解,做了f(x)方差的正则化,为了防止f(x)出现无穷大的极端解,在relu外加了margin限制
实验三:
通过马里奥游戏的二维坐标上公主出现和位置预测马里奥出现和位置
加入了公主出现=》马里奥出现的限制
感想:
比较新颖,但是目前用刚体运动和投影变换就能解决的问题为什么要用这种方法来解决….如果最后结果是真实三维坐标,那是比较有用的,我自己理解这种方法是用了神经网络的非线性去拟合了一个真实世界的放射变换+投影变换…
————————————————