归纳学习获取物体拓扑特征
本研究提供一个统一的视角:语义拓扑,该限制为开放式对象检测器建立了具有辨别特征表示和一致关系的物体分类,使其能够区分已知和未知对象,并且在增量学习时保持已知对象特征的准确性。实验证明,语义拓扑可以显著超过当前最先进的开放式对象检测器,在绝对开放集误差方面从 7832 降至 2546,展示了语义拓扑在开放式对象检测中的内在优越性。
Oct, 2021
利用仅依赖于大脑可访问的信息进行训练的图像序列和自我运动,我们开发了一种新颖的网络架构,能够同时学习从离散图像中分割对象、推断其三维位置和感知深度,从而作为预测学习的副产品有效地学习对象的表示。
Mar, 2024
本文提供了一种基于形状模板的方法,该方法包括选择、收集和组合图像边缘线段的几何证据,旨在从背景中精确找到目标对象,并能识别出目标对象的语义属性。通过解决全局最优组合优化问题,该方法具有较好的通用性和环境适应性,显示了在对象识别的过程中某些类型的通用处理的潜力。
Jun, 2023
通过拓扑数据分析法,我们提出了一种新颖的深度学习框架,以更好地分割和不确定性评估复杂的细微结构,如生物医学应用中的神经元、组织和血管,为可扩展的标注提供了有力工具。
Mar, 2024
在未知和杂乱的室内环境中,视觉物体识别对于移动机器人是一个具有挑战性的问题。为了实现这一目标,我们扩展了以前的工作,提出了 TOPS2 描述符以及伴随的 THOR2 识别框架,受到对象统一的人类推理机制的启发。我们通过使用 Mapper 算法获得的颜色嵌入与基于形状的 TOPS 描述符交替,以获得 TOPS2 描述符。使用合成数据训练的 THOR2 在两个真实世界数据集(基准 OCID 数据集和 UW-IS Occluded 数据集)上实现了显著更高的识别准确性,优于基于形状的 THOR 框架和 RGB-D ViT。因此,THOR2 是实现低成本机器人中稳健识别的一个有希望的步骤。
Sep, 2023
本文主要探讨机器学习和计算机视觉领域中的目标识别问题,认为其根源在于缺乏知识表示方法,因此提出了一种基于图像属性的分类方法,并在 ImageNet 数据集上进行了验证。
Feb, 2022
该研究提出了一种新的方法,通过学习 3D 物体形状来改进现有的低样本学习方法,并在多个数据集上证明了其有效性,同时介绍了最大种类数量的 3D 对象数据集 Toys4K。
Jan, 2021
本文提出一种通过自我监督来显式地建模物体结构的方法,使物体识别的主干网络在不需要额外注释和推理速度成本的情况下大幅度提高鲁棒性并实现更好的表示学习。实验结果表明,该方法在多项基准测试(包括 ImageNet、CUB、Cars 和 Aircraft)上均取得了显著的性能提升。
Mar, 2020
本文介绍了一个无需监督训练的系统 PHYsical Concepts Inference NEtwork (PHYCINE),该系统可以发现和表示物理概念,包括物质和电荷,并且使用这些变量来获得比仅使用可见对象特征更好的因果推理性能。
Mar, 2023