Jan, 2022

抽象视觉推理的深度学习方法：关于瑞文渐进矩阵的调查

PDF
TL;DR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。
abstract visual reasoningdeep learningraven's progressive matricesmachine intelligenceperformance analysis
发现论文，激发创造
  • 抽象视觉推理模型中的泛化和知识迁移

    研究在抽象视觉推理领域中，深度神经网络的泛化和知识重用能力，通过使用 Raven's Progressive Matrices（RPMs）作为评估抽象视觉推理能力的基准任务。通过研究两种知识转移场景，介绍了 Attributeless-I-RAVEN 和 I-RAVEN-Mesh 两个数据集，以及一种名为 PoNG 的新型神经架构，用于解决抽象视觉推理任务。

    Jun, 2024

  • 抽象视觉推理问题的统一视角

    我们提出了一种统一的抽象视觉推理任务表示方法，可以应用于不同类型的任务，并且能够在迁移学习和课程学习中有效地重用知识。

    Jun, 2024

  • 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

  • 抽象视觉推理：一种代数方法用于解决 Raven 渐进矩阵问题

    介绍一种新的代数机器推理框架，将 Raven 渐进矩阵问题求解转化为代数计算，利用理想的 Gröbner 基计算等数学算法，能够从答案集合中选出正确答案并仅凭问题矩阵就生成正确答案，试验在 I-RAVEN 数据集上达到 93.2% 的准确率，超过当前最先进的 77.0% 和人类表现的 84.4% 准确率。

    Mar, 2023

  • 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

  • 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

  • 矢量符号化架构中基于学习规则的视觉抽象推理的概率推断

    学习向量符号体系在解决抽象推理问题 (Raven's progressive matrices) 方面具有高效性和预测准确性。

    Jan, 2024

  • 抽象视觉推理研究的新兴方向综述

    本论文回顾了近年来浮现出的抽象视觉推理问题的研究，并提出了一个分类体系来归纳这些问题的性质。通过研究这些问题在输入形状、隐藏规则、目标任务、认知功能和主要挑战等五个纬度上的共性和差异，一方面对于解决 Abstract Visual Reasoning 问题的现有方法提供了一个统一的视角，同时也为未来的研究方向指明了新契机，如把多种类型的问题结合在一个智商测试中对人类智力进行评估与对机器学习进行研究等。

    Feb, 2022

  • 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

  • 几何矩阵推理任务中基于视觉想象力的类比构建

    本文介绍使用类比和图像转换的计算模型解决 Raven 渐进矩阵测试问题，并证明了使用这些方法在标准版本中可以解决 57 个问题中的 60 个问题。

    Aug, 2022