前段时间一直想扩展双臂,因为桌面变了,摄像头调高了才能看见全貌
训练效果一直很差
希望(500epcho):
![在这里插入图片描述](https://img-blog.csdnimg.cn/20190414192727385.png)
现实(5000epcho):
![在这里插入图片描述](https://img-blog.csdnimg.cn/20190414192740640.png)
发现了这篇arXiv:1509.06113
稍微总结一下要点,防止以后忘了,这里是另一种autoencoder
并没有支持变分,不过名字叫 Deep Spatial Autoencoder,
与一般的autoencoder不同的是,这个算法关注的是where而不是一般的what
隐空间z里面存的是feature points的坐标。然后在原图中标记出来
![在这里插入图片描述](https://img-blog.csdnimg.cn/20190414193537928.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2N3dzk3,size_16,color_FFFFFF,t_70)
算法首先搜集数据然后训练编码器,loss依然是自动编码器的那个loss: ∣∣x−x^∣∣22
其中x是原图,x^是还原后的图像
![在这里插入图片描述](https://img-blog.csdnimg.cn/20190414193727930.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2N3dzk3,size_16,color_FFFFFF,t_70)
encoder如上图,先是三层卷积层然后softmax scij=eacij/α/∑i′j′eaci′j′/α把他变成一个分布,然后求期望fc=(∑ii∗scij,∑jj∗scij)求出16个坐标也就是32个数字
一个全联通的线性模型来恢复原图,loss:
LDSAE=t,k∑∥I downsamp,k ,t−hdec(fk,t)∥∥22+g slow (fk,t)
第k个样本,第t时刻的图片,fk,t=henc(Ik,t)是编码后的feature
g slow (ft)=∥(ft+1−ft)−(ft−ft−1)∥22可以理解为机械臂的移动的加速度,最小化这个目的是让机械臂尽量匀速
自己原来的vae里的z是没管里面是啥的,这里是feature points的pos,似乎也可以假设他服从正态分布。这样一来,是不是就是个,ummmmm,Deep Spatial VAE了,好的,我摸了
老板让先用ground turth的先把强化的框架跑出来,毕竟,要毕业嘛,先记在这个小本本上,估计后面再摸吧
![在这里插入图片描述](https://img-blog.csdnimg.cn/20190414195450802.jpg?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2N3dzk3,size_16,color_FFFFFF,t_70)