研究一类视觉类比推理问题,并使用神经类比推理方法寻找一系列基本的神经网络转换来处理符号空间中的图像,评估该算法对具有不同形状和位置的图像的推理泛化能力。
Nov, 2021
论文提出” 基于向量空间模型(VSM)的无标注文本学习算法 “,应用于中学生常见 SAT 考试的语义类比题及名词修饰语语义关系分类中,取得了 47% 和 43.2% 的正确率,性能达到当时最高水平。
Aug, 2005
本论文比较了人类视觉类比问题解决能力和三种不同的计算模型的性能,包括成分模型、连体网络和关系网络,结果显示成分模型的定性表现与人类推理者相似,而深度学习模型的表现则不如人类。
May, 2021
本研究提出了一种名为 “Deep Image Analogy” 的新技术,该技术通过找到两个输入图像之间有意义的密集对应关系,实现跨图像的视觉属性转移,包括风格、质感和颜色等,证明了该方法在多种情况下的有效性。
May, 2017
该研究旨在利用个体嵌入和视觉短语嵌入组合来检测图像中的视觉关系三元组,通过类比关系进行传递学习,以解决视觉关系收集训练数据的困难性,并在 HICO-DET,COCO-a 和 UnRel 三个挑战性数据集上得出了较显著的实验结果。
Dec, 2018
本文针对视觉问答任务进行综述,比较传统的视觉元素和常识知识融合的方法。并对数据集进行了评估,结合 Visual Genome 数据集中的图像结构注释研究了不同复杂度的问答对。最后讨论了未来发展方向,重点关注结构化知识库和自然语言处理模型的连接。
Jul, 2016
介绍了一项新颖的任务:视觉情境类比识别,通过 CLIP 模型生成了 50 万个类比数据集,并创建了一个 3820 个样本验证集,实验结果表明目前最先进的模型效果在随机干扰下良好,但在精心选择干扰时效果大打折扣,希望我们的数据集能鼓励新的类比制作模型的发展。
Dec, 2022
本篇论文提出采用类比推理的方式解决少样本视觉推理问题,即通过提取训练和测试数据的结构关系,重复应用于类似问题的查询中,从而有效地学习训练集和测试集之间的关系相似性,实现对 RAVEN 数据集的超越性表现,并在不同属性下进行元学习,表现出了良好的泛化能力。
Jul, 2020
本文介绍了 VisiPAM(visual Probabilistic Analogical Mapping)的视觉推理模型,该模型综合了视觉推理和类比推理两种方法,使用从自然视觉输入中直接推导出的学习表示和源自人类推理认知理论的相似性映射操作,并且在类比映射任务上表现优于现有的深度学习模型。
Sep, 2022
该研究通过关注数据的选择和呈现方式,研究神经网络在感知和推理原始视觉数据时如何诱导类比推理能力,并发现最健壮的类比推理能力是通过在输入域中对抽象关系结构进行对比学习而诱导的。
Jan, 2019