AAAIFeb, 2019

学习可学习深层先验的空间混合模型用于知觉分组

PDF
TL;DR本文提出了一种新的具有可学先验的空间混合模型来实现感知分组。 该方法将对象的属性划分为 “形状” 和 “外观”，并通过神经网络分别建模。 在感知分组数据集上进行的广泛实证测试表明，所提出的方法在大多数实验配置下优于现有的方法。
perceptual groupingspatial mixture modelsshapeappearanceneural networks
发现论文，激发创造
  • 深度无监督感知分组

    本文介绍了一种有效的感知推断框架，该框架能够显式地处理输入和特征的分割，并通过增强神经网络的表示能力并对对象表示进行迭代分组，以及对其分组迭代推理进行摊销从而实现了快速收敛，相比其他处理多物体场景的方法，该方法不假设输入为图像，因此可以直接处理其他模态，并在处理具有纹理分割的复杂图像时提供更好的分类性能。

    Jun, 2016

  • 混合密集回归用于物体检测和人体姿态估计

    本文提出了使用混合密度网络进行空间回归的框架，在物体检测和人体姿态估计任务中，混合模型提高了准确性并使输入空间划分为可解释的模式。

    Dec, 2019

  • 普适感知分组

    本研究旨在开发一种通用的素描分组器，首先提出了最大的素描感知分组（SPG）数据集，构建了一个深度通用感知分组模型通过更好的损失函数优化达到了良好的模型性能，并证明了该模型对于许多素描分析任务的有效性。

    Aug, 2018

  • 神经期望最大化

    本文研究了如何在推理和物理交互等任务中自动发现分布式符号样式表示，通过使用不同 iable 的聚类方法，并验证其有效性。

    Aug, 2017

  • 统一感知分析的深度分组模型

    本文介绍了一种称为深度分组模型的方法，该方法可以将视觉感知组合过程融入到最新的卷积神经网络中进行图像分割，并在基于 Broden + 数据集的统一感知解析任务中实现了最优结果。

    Mar, 2020

  • 无监督的对象导向场景表示：基于空间注意力和分解的方法

    本文提出了一种称为 SPACE 的生成潜变量模型，通过并行的空间注意力可以同时实现前景物体的因式分解表示以及解析复杂形态的背景细节，解决了以往模型中可扩展性有限的问题，从而更好地模拟真实场景。

    Jan, 2020

  • 使用感知组件解释表示学习

    通过使用三个关键的感知组件：颜色、形状和纹理，我们采用选择性的掩模来观察表示的变化，从而获得每个感知组件的独特重要性图，从而增强了表示空间的可解释性，提供与人类视觉感知共鸣的解释。

    Jun, 2024

  • 视觉和文本的组合混合表示

    本文提出一种用于视觉与语言之间学习共同表示空间的模型，通过组合语义上的含义并不需要显式位置监督，将文本的复合性约束在视觉领域中，并通过空间变换器以及一种表示学习的方法，学习将图像分成分别编码的补丁，以可解释的方式将视觉和文本表示相结合，该模型能够执行弱监督对象检测，并展示了其对未见对象组合的外推能力。

    Jun, 2022

  • 细粒度图像分类的现存地理先验

    提出了一种高效的时空先验模型，通过考虑地理位置和时间等因素，建立对象在空间和时间上的分布概率模型，进而提高图像分类性能。

    Jun, 2019

  • 深度神经网络中 Gestalt 分组的证据存在不确定性

    本文研究了 DNN 模型在场景感知和对象识别中是否存在类似人类感知的 Gestalt 现象，并发现不同类型的 DNN 模型在处理不同的刺激时，只在最后一个处理层表现出一定的 Gestalt 效应，但这种效应与人类感知的 Gestalt 效应不同，从而表明 DNN 学习到的感知属性与人类有根本的差异。

    Mar, 2022