Apr, 2021

GENESIS-V2：无需迭代细化的非排序对象表示推断

PDF
TL;DR该研究提出了一种基于嵌入和聚类的方法，避免了对对象在图像中进行自然排序的需要，同时避免了需要在图像中初始化固定数目的对象表示。使用此方法，开发了新模型 GENESIS-v2，可推断变量数量的对象表示，表现强于已有的基线模型，适用于已有的合成数据集以及更复杂的真实世界数据集。
unsupervised learningobject-representationsclusteringiterative refinementgenesis-v2
发现论文，激发创造
  • GENESIS：基于物体中心的隐式表示生成场景推理和采样

    本文介绍一种名为 GENESIS 的三维视觉场景对象生成模型，通过捕捉场景组件之间的关系，能够分解和生成场景，并在公开数据集上进行了性能评估和半监督学习。

    Jul, 2019

  • 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

  • 弱监督下物体类别学习与检索

    采用完全可区分的无监督深度聚类方法，仅使用未标记的对象提议，无需个体分类标签来学习语义类，建立特征表示并同时学习聚类。目前该方法仅提供分割对象性掩膜的监督，但该方法可扩展为使用无监督的目标性生成机制，从而使该方法完全无监督。

    Jan, 2018

  • 迭代变分推断多物体表示学习

    本篇论文探讨了通过学习对象的语义分割和表示方法，从而实现对场景的复原和整合，不需要监督并且具有泛化能力。

    Mar, 2019

  • 扰动生成模型中物体分割的出现

    本文介绍了一种无需人工注释即可学习如何从图像集合中分割对象的模型构建框架，通过训练分层场景的生成模型和特征向量编码器，结合阈值分割技术实现了真实图像中多类物体的自动识别与分割。

    May, 2019

  • 无监督视频目标分割中的实例嵌入迁移

    提出一种用于无监督视频目标分割的方法，通过转移图像实例嵌入网络中封装的知识。通过将实例嵌入与物体性和光流特征相结合，无需模型重新训练或在线微调，即可将物体链接起来。该方法在 DAVIS 数据集和 FBMS 数据集上优于最先进的无监督分割方法。

    Jan, 2018

  • 基于大规模生成模型的无标签物体分割

    本文介绍了无监督学习在目标分割上的应用，实验表明运用最近的无监督生成式对抗网络可以实现较高质量的前景 / 背景像素分割且优于其它无监督方法。

    Jun, 2020

  • 学习 RGB-D 特征嵌入以进行未见过的物体实例分割

    通过学习来自合成数据的 RGB-D 特征嵌入，引入了一种新的方法来实现未知物体实例的分割，其中使用度量学习损失函数来产生像素级特征嵌入，以便在嵌入空间中将同一对象的像素靠近，并将不同对象的像素分开。通过使用学习到的特征嵌入，可以将平均漂移聚类算法应用于发现和分段未知对象，对此进一步改进了分段的准确性。我们的方法证明，非真实光线的合成 RGB 和深度图像可以用于学习特征嵌入，从而实现在未知物体实例分割方面的好的迁移效果。

    Jul, 2020

  • 目标中心生成模型中的重建瓶颈

    本文探讨了基于 VAE 的 GENESIS 模型中的 “重构瓶颈” 在场景分解中的作用。研究结果表明，这些瓶颈不仅能够决定重构和分割质量，而且还能够对模型行为产生重要影响。

    Jul, 2020

  • ROOTS: 3D 场景的对象中心表示和渲染

    本文提出了一种概率生成模型，用于学习从多个物体场景的部分观察中构建模块化和组合化的三维物体模型，该模型可以推断 3D 物体表示并从任意视角呈现场景。

    Jun, 2020