学习语义场景图定位中的内省

于红博

摘要: 这项工作研究了语义如何影响学习的自监督、对比语义定位框架中的定位性能和鲁棒性。在对原始地图和扰动地图上训练了一个定位网络后，我们进行了彻底的事后内省分析，以探究模型是否过滤环境噪声并优先考虑独特的地标而不是常规的杂乱物。我们验证了各种可解释性方法，并提出了一项比较可靠性分析。整合梯度和注意权重一直被证明是对学习行为最可靠的探测器。语义类别消融进一步揭示了一种隐含的加权方式，常见的对象往往被降权。总体而言，结果表明该模型学习了关于地点定义的噪声鲁棒、语义显著的关系，从而使得在具有挑战性的视觉和结构变化下能够进行可解释的注册。

更新时间: 2025-10-08 14:21:45

领域: cs.LG,cs.AI,cs.CV,cs.RO,I.2.10; I.2.9; I.4.8; I.5.2; I.5.1

下载: http://arxiv.org/abs/2510.07053v1