No content

背景：生活支援ロボットに自然言語で指示出来れば便利 https://www.toyota.com/usa/toyota-effect/romy-robot 生活支援ロボット - 非介助者の自立生活を補助 - 介助者を代替 - 物理的支援 高齢化の進展 + 介助者の不足 解決策 課題：視覚と言語の複合的な理解を行う能力は不十分 - 2 -

背景： シミュレーションデータを用いた ロボットの学習は低コスト ロボットの学習には実環境で 収集されたデータを利用したい 課題：実環境でのデータ収集は高コスト シミュレーション利用→実世界で行うより低コストでデータ収集可能 シミュレーションデータを用いた学習によって 効率的に実環境における性能を高めたい - 3 -

問題設定：命令文と画像から対象物体を特定 MLU-FI (Multimodal Language Understanding for Fetching Instruction): 与えられた命令文，画像から命令文中の対象物体を特定 入力: - 命令文 - コンテキスト領域 - 候補領域 (候補物体のBounding box) 出力: - 候補物体が対象物体である確率の予測値 Look in the left wicker vase that is next to the potted plant. - 4 -

問題設定：命令文と画像から対象物体を特定 MLU-FI (Multimodal Language Understanding for Fetching Instruction): 与えられた命令文，画像から命令文中の対象物体を特定 入力: - 命令文 - コンテキスト領域 - 候補領域 (候補物体のBounding box) 出力: - 候補物体が対象物体である確率の予測値 Look in the left wicker vase that is next to the potted plant. - 5 -

問題設定：命令文と画像から対象物体を特定 MLU-FI (Multimodal Language Understanding for Fetching Instruction): 与えられた命令文，画像から命令文中の対象物体を特定 入力: - 命令文 - コンテキスト領域 - 候補領域 (候補物体のBounding box) 出力: - 候補物体が対象物体である確率の予測値 Look in the left wicker vase that is next to the potted plant. - 6 -

問題設定：命令文と画像から対象物体を特定 MLU-FI (Multimodal Language Understanding for Fetching Instruction): 与えられた命令文，画像から命令文中の対象物体を特定 入力: - 命令文 - コンテキスト領域 - 候補領域 (候補物体のBounding box) 出力: - 候補物体が対象物体である確率の予測値 Look in the left wicker vase that is next to the potted plant. - 7 -

問題設定：命令文と画像から対象物体を特定 MLU-FI (Multimodal Language Understanding for Fetching Instruction): 与えられた命令文，画像から命令文中の対象物体を特定 入力: - 命令文 - コンテキスト領域 - 候補領域 (候補物体のBounding box) 出力: - 候補物体が対象物体である確率の予測値 Look in the left wicker vase that is next to the potted plant. Faster R-CNN[Ren+, PAMI16] によって自動抽出 - 8 -

既存研究は高コストな実世界データのみを用いて学習 →データの大規模化が大変 PFN-PIC [Hatori+, ICRA18] 4つの箱に分け入れられた約20種類の日用品を 対象に，対象物体および目標位置の特定 MTCM [Magassouba+, RA-L19] 自然言語による命令文と視覚的情報から 対象物体を特定， LSTMおよびVGGを利用 Target-Dependent UNITER [Ishikawa+, RA-L21] UNITER [Chen+, ECCV20] に対して候補領域を扱う 構造を追加. MLU-FIに適用 Target-Dependent UNITER [Ishikawa+, RA-L21] PFN-PIC [Hatori+, ICRA18] - 9 -

提案： PCTL – Prototypical Contrastive Transfer Learning 新規性 - MLU-FIに転移学習を導入 - 対照学習のフレームワークを応用した転移学習手法，PCTLを提案 - 転移学習のために一般化された対比損失，Dual ProtoNCEを提案 転移元ドメインのデータ (シミュレーションデータ) 転移先ドメインのデータ (実世界データ) Training set Validation set 転移先ドメインのデータ (実世界データ) Test set 転移先ドメインのデータ (実世界データ) - 10 -

提案： PCTL – Prototypical Contrastive Transfer Learning 新規性 - MLU-FIに転移学習を導入 - 対照学習のフレームワークを応用した転移学習手法，PCTLを提案 - 転移学習のために一般化された対比損失，Dual ProtoNCEを提案 - 11 -

入力 転移元ドメインのデータ - 入力: - ラベル: 転移先ドメインのデータ - 入力: - ラベル: 準備：以降は以下の記号を用いる 命令文 候補領域の 特徴量の集合 コンテキスト領域の 特徴量の集合 : 検出領域の総数 - 12 -

Encoder は入力を768次元の特徴量に埋め込む 入出力： PCTL 1/4：モデル構造 – Encoder (学習対象) Classifierに入力する特徴量を出力 入力： 転移元ドメイン 転移先ドメイン - 13 -

構造はEncoder と同等， 入出力： パラメータ は のパラメータ の指数移動平均 PCTL 2/4：モデル構造 – Momentum Encoder Dual ProtoNCEの正例，負例となる特徴量を出力 入力： 転移元ドメイン 転移先ドメイン - 14 -

PCTL 3/4：Clustering Module Dual ProtoNCEが利用するプロトタイプを出力 各エポックの初めに ， に対してk近傍法によるクラスタリングを クラスタ数を変えて 回行う クラスタの重心を プロトタイプと呼称 - 15 - 回目の ， に対するクラスタリングにおける クラスタ数: その 番目のクラスタの重心: ，

PCTL 4/4：Contrastive Transfer Learning Dual ProtoNCEの最小化によって，転移元ドメインと転移先ドメインの間の 差異の影響を低減 - 16 -

PCTL 4/4：Dual ProtoNCE 次のように定義 : Intra-Domain損失 : Inter-Domain損失 - 17 - ドメイン内の 表現学習 ドメイン間の 差を軽減

PCTL 4/4：Dual ProtoNCE – Intra-Domain損失 ドメイン内における表現学習 転移元ドメイン，転移先ドメインで独立に対比損失を計算 割り当てられたクラスタのプロトタイプに表現が近づくよう対照学習 - 18 - cf. PCL [Li+, ICLR21]

PCTL 4/4：Dual ProtoNCE – Inter-Domain損失 ドメイン間の差異による影響を低減 転移元ドメインの特徴量 と転移先ドメインのプロトタイプの間， 転移先ドメインの特徴量 と転移元ドメインのプロトタイプの間 でそれぞれ対比損失を定義 ( 及び ) - 19 - 異なるドメインの プロトタイプ群に対して 対照学習 ドメイン間で埋め込み の分布を近づけたい

実験設定： 2つのデータセットを収集 実環境 + シミュレーション 室内環境における対象物体の特定 ↓ Vision-and-Language Navigationタスク (REVERIE [Qi+, CVPR20], ALFRED [Shridhar+, CVPR20]) より - 対象物体が写った画像 - 対応する命令文 を収集してデータセットを作成 https://yuankaiqi.github.io/REVERIE_Challenge/static/img/demo.gif https://ai2-vision-alfred-data-explorer.s3-us-west-2.amazonaws.com/pick_cool_then_ place_in_recep-BreadSliced-None-Microwave-11/trial_T20190909_102940_350963/video.mp4 - 20 -

実験設定： 2つのデータセットを収集 実環境 + シミュレーション REVERIE-fetch dataset - REVERIE datasetから収集 - サンプル数：10243 ALFRED-fetch-b dataset - ALFRED datasetから収集 - サンプル数：34286 https://yuankaiqi.github.io/REVERIE_Challenge/static/img/demo.gif https://ai2-vision-alfred-data-explorer.s3-us-west-2.amazonaws.com/pick_cool_then_ place_in_recep-BreadSliced-None-Microwave-11/trial_T20190909_102940_350963/video.mp4 - 21 -

実験設定： 学習手法のベースラインを3つ用意 - Target Domain Only: 転移先ドメインのデータのみを使用 - Fine-Tuning: 転移元ドメインのデータでpretrainingした後 転移先ドメインのデータでfine-tuning - MCDDA+: [Saito+, CVPR18]で提案された教師なし転移学習手法 MCDDAを，転移先ドメインの教師データを利用するよう 拡張して適用 - 22 -

定量的結果：全てのベースライン手法を精度で上回る - Target Domain Only: 転移先ドメインのデータのみ - Fine-Tuning: 転移元ドメインのデータでpretraining→転移先ドメインのデータでfine-tuning - MCDDA+: [Saito+, CVPR18]を転移先ドメインの教師データを利用するよう拡張 手法 Acc. [%]↑ Target Domain Only 73.0±1.87 Fine-Tuning 73.4±11.8 MCDDA+ 74.9±3.94 PCTL (Ours) 78.1±2.49 Target Domain Only +5.1 MCDDA+ +3.2 Fine-Tuning +4.7 - 23 -

（Re）問題設定：候補物体が対象物体に一致するか2値分類 MLU-FI (Multimodal Language Understanding for Fetching Instruction): 与えられた命令文，画像から命令文中の対象物体を特定 入力: - 命令文 - コンテキスト領域 - 候補領域 (候補物体のBounding box) 出力: - 候補物体が対象物体である確率の予測値 Look in the left wicker vase that is next to the potted plant. - 24 -

定性的結果：候補物体が対象物体であると正しく予測 Go down the stairs to the lower balcony area and turn off the lamp on the dresser 指示：対象物体は”衣装棚の上のランプ“ PCTLで学習したモデルは正しく予測 - 25 - 候補物体：ランプ 対象物体：ランプ

定性的結果：候補物体が対象物体ではないと正しく予測 Go to the lounge on the first level where the red carpet is and move the black vase to the right of the mirror 候補物体：左側の花瓶 対象物体：右側の花瓶 指示：対象物体は”右側の花瓶” PCTLで学習したモデルは正しく予測 - 26 -

定性的結果：失敗例 “対象物体を取り違えた” Fluff the light silver pillow on the smaller couch in the living room 指示：対象物体は”銀色のクッション” PCTLで学習したモデルは誤って予測 候補物体：右側のクッション 対象物体：左側のクッション - 27 -

Ablation Study： k, Mに関して提案手法が最良 注： k近傍法によるクラスタリングをクラスタ数を変えて𝑀回 𝑘(𝑚): 𝑚番目のクラスタリングにおけるクラスタ数 - 28 - Condition Acc. [%]↑ PCTL 1 78.1±2.49 (i) 1 77.1±1.55 (ii) 2 75.2±1.24 (iii) 3 71.7±10.3 (iv) 4 75.6±2.67

まとめ：転移学習手法: PCTL / 転移学習のために 一般化された対比損失: Dual ProtoNCE - 物体操作に関するマルチモーダル言語理解タスクに転移学習を導入 - 対照学習のフレームワークを応用した転移学習手法，PCTLを提案 - 転移学習のために一般化された対比損失，Dual ProtoNCEを提案 - REVERIE-fetchデータセットにおけるMLU-FIタスクの精度において， PCTLはベースライン手法を上回った - 29 -

Appendix: モデル構造 – Encoder Target-Dependent UNITER [Ishikawa+, RA-L21]の構造を採用 Encoderの出力：Multi-Layer Transformerの出力 - 30 -

Appendix: 損失関数 以下の損失関数を最小化する : Classifier : 特徴量に最も近い プロトタイプ - 31 -

Appendix: 実環境データに基づくデータセット - REVERIE-fetch dataset - REVERIE datasetから命令文と対象物体が写っている画像の組を収集 - REVERIE [Qi+, CVPR18] 自然言語による命令文 → 1.環境中を移動，2.対象物体を特定 Matterport3Dの室内環境データを利用 https://yuankaiqi.github.io/REVERIE_Challenge/static/img/demo.gif - 32 -

Appendix: シミュレーションに基づくデータセット - ALFRED-fetch-b dataset - ALFRED datasetから命令文と対象物体が写っている画像の組を収集 - ALFRED [Shridhar+, CVPR18] 自然言語による命令文 → 室内環境における複数ステップの行動選択タスク https://ai2-vision-alfred-data-explorer.s3-us-west- 2.amazonaws.com/pick_cool_then_place_in_recep-BreadSliced-None- Microwave-11/trial_T20190909_102940_350963/video.mp4 - 33 -

Appendix: データセットの統計情報 REVERIE-fetch: 実環境データに基づく (転移先ドメイン) ALFRED-fetch-b: シミュレーションに基づく (転移元ドメイン) REVERIE-fetch ALFRED-fetch-b Vocabulary size 1958 1558 Average sentence length 18.4 11.7 #Sample 10243 34286 #Sample in Training set 8302 27492 #Sample in Validation set 994 3470 #Sample in Test set 947 3324 - 34 -

Appendix: エラー分析 FP, FNをそれぞれ50例抽出 - Comprehension Error (CE): 視覚情報や言語情報の処理に失敗 - 参照表現理解に失敗した場合 - 言語情報から関連する物体を正しく特定出来なかった場合 - Missing Landmark (ML): 参照表現の視覚情報が欠如． - 例: 命令文が”nearest the kitchen”という参照表現を含むが ， ”kitchen”が画像中に含まれておらず，対象物体の特定に失敗． Error Type CE ML SR AI AE SO MO #Error 43 17 14 11 10 3 2 - 35 -

Appendix: エラー分析 FP, FNをそれぞれ50例抽出 - Small Region (SR): 対象領域が極端に小さく予測に失敗． - 対象領域の面積が画像全体の1%に満たない． - Ambiguous Instruction (AI): 曖昧な命令文が与えられ，予測に失敗． - Annotation Error (AE): アノテーション誤りを表す． - Severe Occlusion (SO): 対象物体が他の物体に隠れている例を表す． - Multiple Objects (MO): 候補領域が複数の物体を含む例を表す． Error Type CE ML SR AI AE SO MO #Error 43 17 14 11 10 3 2 - 36 -