本研究提出了一种名为 Compositional Graph Embedding（CGE）的图形学习方法，可以实现对已出现的视觉对象和视觉基元状态的组合的识别和理解，进而实现了基于组合的零样本学习，避免了外部知识库的依赖。CGE 不仅可以学习图像特征，合成分类器，还可以学习视觉基元的潜在特征，最终可以进行对未出现过的组合图像识别，相比其他方法，CGE 在 MIT-States 和 UT-Zappos 等数据集上具有更好的性能表现。

Feb, 2021

本文提出一种自我监督的模型，能够在长视频中联合学习目标物体的状态（例如，空杯子和满杯子）及其相应的状态变化行为（如 “倒咖啡”），并针对噪声数据和未筛选的视频数据分别采用噪声自适应加权模块和新的视频数据集进行监督训练，并在目标动作和物体状态识别方面都实现了相当大的进步。

Mar, 2022

生成具有时间一致性和物理可行性的行为和物体状态转换的图像，利用视频数据集和条件扩散模型 GenHowTo，在各种对象和动作上展示出优秀的性能。

Dec, 2023

本文研究 open-world compositional zero-shot learning 领域，提出了一种基于 primitive 预测、使用 external knowledge 估计可行性的模型 KG-SP，并引入 CZSL under partial supervision 的新设置，实现了优于竞争对手的表现。

May, 2022

提出了一种基于图论的方法，用于在由部分组成的分层组合架构中表示对象形状，通过统计模型和最小描述长度原则，在受限制的形状单词表达中学习形状的描述，并将内部数据表示与发现的子结构压缩来构建部分组成。在六个基准二维形状图像数据集上验证了该方法。实验证明，Compositional Hierarchy of Parts（CHOP）可以使用部分共享和索引机制快速推断出形状组成，并提供比现有技术更好的形状检索性能。

Jan, 2015

本文提出了一种新颖的 Siamese 对比嵌入网络（SCEN）方法和状态转移模块（STM），用于解决复杂情况下的无监督学习任务，实验表明该方法在三个基准数据集上均大幅优于现有方法。

Jun, 2022

我们研究了在图像中识别动作的结束状态的问题，重点是预测切割的粗细，通过合成训练数据的方法进行数据增广，使用基于 UNet 的模型进行训练，并且成功地识别了切割动作的结束状态，展示了模型在训练和测试之间的领域转化，并且对未知对象具有良好的泛化性。

May, 2024

本文提出一种用于实例分割的合成数据集生成方法，通过从流行的图像搜索引擎中获取对象感兴趣的图像，实现了从数据采集到最终数据集形成的全自动化流程，并比较了三种不同的图像选择方法和四种不同的混合方法，该方法的有效性在包裹分割中得到了验证。

Oct, 2022

在这篇论文中，我们提出渐进式基于语言的观察（PLO）方法，通过预测基于预先观察到的原语的组合类别，动态确定较好的原语观察顺序，使模型能够逐步理解图像内容。通过在三个具有挑战性的数据集上进行广泛实验，我们证明了 PLO 方法相比于最先进的方法，具有更好的组合识别能力。

Nov, 2023

通过介绍 Object State Captioning and State Change Representation (OSCaR) 数据集和基准测试，本文旨在解决智能模型在理解和推测物体状态变化方面的挑战，提出了一种新的评估多模态大型语言模型 (MLLMs) 的方法，并表明现有的模型在理解这些变化方面仍需要进一步改进。

Feb, 2024