Jul, 2019

V-PROM：使用视觉渐进矩阵进行视觉推理的基准测试

PDF
TL;DR我们提出了一个可衡量深度学习模型在视觉问题中推理抽象关系和概括概念能力的测试基准，并评估了多种深度学习架构的测试结果，其中相对网络表现较好。
deep learninggeneralizationvisual databenchmarkrelational networks
发现论文，激发创造
  • 抽象视觉推理的深度学习方法：关于瑞文渐进矩阵的调查

    本文总结了近年来深度学习方法在抽象视觉推理领域的应用研究进展，并重点关注了目前最普遍的抽象视觉推理任务 —— 瑞文渐进矩阵（RPM），并提供了综合的深度神经模型和学习方法以及 RPM 基准集的分析，对现有方法的性能进行了分析，为当前和未来研究的趋势提供了见解和意见，并最终展示了实际问题如何受益于 RPM 研究的发现。

    Jan, 2022

  • 学习如何在视觉对象上进行推理

    探究对象为中心的编码器和变换推理模块是否能提高图像推理任务的效果，并发现其比传统以 Raven 智力测试为基础的任务特定归纳偏见更全面适用。

    Mar, 2023

  • 无强先验条件下的视觉推理学习

    通过条件批量归一化对 CLEVR 视觉推理基准进行训练，我们的方法在人工视觉推理方面实现了最先进的成果，这表明带有适当条件的通用架构可以有效地学习进行视觉推理。

    Jul, 2017

  • 基于特征的通用预测模型：感知和抽象推理的统一

    人类智能的一个特征是能够从有限的经验中推断出抽象规则，并将这些规则应用于陌生情境。本研究介绍了一个使用特征检测、仿射变换估计和搜索的算法方法来进行规则检测和应用，并在简化版的 Raven's Progressive Matrices 任务中展示了模型具有类似人类水平的一次性学习和符号推理能力。

    Mar, 2024

  • 视觉抽象推理任务的深度非单调推理

    本文提出了一种非单调计算方法来解决视觉抽象推理任务，使用 RAVEN 数据集进行测试，并与现有单调深度学习模型进行比较，结果表明，该方法比现有单调深度学习模型更加有效。

    Feb, 2023

  • ViTCN：用于推理的视觉转换器对比网络

    提出了基于 Contrastive Perceptual Inference network (CoPiNet) 的 Vision Transformer Contrastive Network， 结合心理学、认知学和教育学，采用先进的 Vision Transformer 架构，从像素级输入和全局特征上进一步改进了机器处理和推理空间 - 时间信息在 RAVEN 数据集上的能力。

    Mar, 2024

  • 组合视觉推理基准测试

    该论文介绍了一个新的视觉推理基准测试，Compositional Visual Relations (CVR)，以推动更加数据高效的学习算法的开发，并发现卷积神经网络比变压器架构在大多数数据方案上表现更好，但所有计算模型都比人类更不数据高效。

    Jun, 2022

  • RAVEN: 用于关系和类比视觉推理的数据集

    本研究提出了一个新的数据集，旨在通过在分层表示中将视觉与结构、关系和类比推理相匹配，提高机器智能水平，并通过加入神经模块组合视觉理解和结构推理，持续改进所有模型的性能，实现现代视觉与机器推理的结合。

    Mar, 2019

  • 通过任务分解学习抽象视觉推理：Raven 渐进矩阵的案例研究

    基于变压器蓝图的深度学习架构，解决抽象推理任务中的挑战，通过预测个体对象及其布局的视觉属性来选择答案，并在实验评估中优于现有方法，提供关于推理的有趣见解和部分解释，同时免疫某些 RPM 基准中已知的偏见。

    Aug, 2023

  • 利用多层关系网络解决 Raven 渐进矩阵问题

    本文证明了通过将 Wild Relation Networks 与 Multi-Layer Relation Networks 结合并引入 Magnitude Encoding 编码方案，能将 Procedurally Generated Matrices 数据集的精度从先前的 62.6% 提高到 98.0%。

    Mar, 2020