LEARNING
深度正则化JEPA世界模型从真实户外机器人数据中学习更具迁移性的表征
Usman M. Khan
- 发表年份
- 2026
- 访问权限
- 开放获取
摘要
本文提出在JEPA世界模型训练中引入深度作为几何先验，结合各向同性潜在正则化器，以从复杂户外机器人视频中学习更鲁棒的潜在动力学。该方法在视觉里程计探测任务上降低了33%的误差，并提升了域内和域外的惊喜分数分离度。
关键词
world modelsJEPAdepth regularizationtransfer learningoutdoor robotics
相关论文
LEARNING
📊 8,465 引用
The Organization of Behavior
D. O. Hebb
2005
LEARNING
📊 7,678 引用
Fractional Brownian Motions, Fractional Noises and Applications
Benoît B. Mandelbrot, John W. Van Ness
1968
LEARNING
开放获取📊 7,484 引用
Review of deep learning: concepts, CNN architectures, challenges, applications, future directions
Laith Alzubaidi, Jinglan Zhang, Amjad J. Humaidi 等 10 位作者
2021
LEARNING
📊 4,608 引用
A guide to deep learning in healthcare
Andre Esteva, Alexandre Robicquet, Bharath Ramsundar 等 10 位作者
2018