May, 2023

基于复值自编码器对比训练的物体发现

PDF
TL;DR该研究对现有的物体中心模型的概念限制进行了识别和分析，提出了一种基于复值激活和对比学习的改进同步模型。通过引入新的构架和方法，该同步模型可以在多物体彩色数据集中无监督地发现物体，并同时表示超过三个物体。
发现论文，激发创造
  • 基于复数自编码器的目标发现

    本研究提出复杂自编码器方法用于无监督物体发现，采用基于生物神经元的编码方案，通过复杂值表示对象的存在和组合关系，相较于传统方法，在性能和效率上有显著提高。

    Apr, 2022

  • 用于无监督目标发现的循环复合加权自编码器

    利用复数值权重的循环体系结构，在迭代的约束满足过程中实现对象绑定和无监督目标发现，并在性能上优于当前的同步模型。

    May, 2024

  • 通过对比集合学习面向对象的视频模型

    通过引入全局、基于集合的对比损失和基于注意力的编码器，将个体目标表示相互对比更改为聚合表示并相互对比，从而在自监督学习中更有效地推动物体中心表示的出现，并在两个合成视频数据集上得到更好的效果。

    Nov, 2020

  • 旋转特征用于物体发现

    本文提出了旋转特征作为高维度中的复数特征的一种推广，并使用新的评估程序提取分布式表示中的对象，以更好地解决机器学习中的连接问题。

    Jun, 2023

  • 区别性对比网络：一种表示对象的对比方法

    本文介绍了一种无监督抽取物体的方法，在机器学习中具有重要意义。该方法不使用标签，通过利用物体的运动来学习区分每个对象，并使用新的量化评估指标，在 20 个 Atari 游戏中对其性能进行评估。

    Jul, 2020

  • 不变槽注意力机制：基于槽中心参考系的物体发现

    本文介绍了一种通过基于槽的神经网络、空间对称和基于槽的参考帧来提高目标探测的数据效率的方法，并通过多个合成和真实场景以及挑战性的数据集进行了评估和实验。

    Feb, 2023

  • 基于循环一致性的物体发现

    提出一种基于 Cycle-Consistency 约束的槽位方法，该方法在目标发现表现方面提高了性能，并且学到的槽位对下游强化学习具有优越的适用性。

    Jun, 2023

  • SPOT: 自身训练的基于补丁顺序置换的自回归 Transformer 的物体中心学习

    非监督式物体中心学习中引入了两个新技术：一种基于注意力的自我训练方法，通过从解码器到编码器提取出优越的基于槽的注意力掩码来增强物体分割；一种创新的自回归变换器中的补丁顺序排列策略，加强了槽向量在重构中的作用。这些策略的有效性在实验证明了该方法明显优于以往的基于槽的自编码器方法，特别是在处理复杂的真实图像时。具体实现代码请参考此网址。

    Dec, 2023

  • 基于插槽注意力的目标中心学习

    本文提出了一个名为 Slot Attention 的架构组件，它能够从低级感知特征中提取物体为中心的表示，并能够推广到未见组合。

    Jun, 2020

  • 基于条件的视频目标中心学习

    该论文提出了一种弱监督学习方法，以对象为中心的表示和光流条件模型，可提高现实数据下的实例分割和追踪效果，改进了查询模型的灵活性，并扩展了应用范围。

    Nov, 2021