潜在噪声分割：神经噪声如何导致分割和分组的出现

Sep, 2023

潜在噪声分割：神经噪声如何导致分割和分组的出现

Latent Noise Segmentation: How Neural Noise Leads to the Emergence of Segmentation and Grouping

Ben Lonnqvist, Zhengqing Wu, Michael H. Herzog

TL;DR通过数学演示，在现实假设下，神经噪声可以用于分离对象，并且在 DNN 网络中添加噪声使其能够对图像进行分割，从而产生与人类感知中观察到的感知分组现象一致的分段性能。

Abstract

Deep Neural Networks (DNNs) that achieve human-level performance in general tasks like object segmentation typically require supervised labels. In contrast, humans are able to perform these tasks effortlessly without supervision. To accomplish this, the human visual system makes use of

neural noise unsupervised perceptual grouping segmentation dnn models perceptual grouping phenomena

发现论文，激发创造

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

深度神经网络中 Gestalt 分组的证据存在不确定性

本文研究了 DNN 模型在场景感知和对象识别中是否存在类似人类感知的 Gestalt 现象，并发现不同类型的 DNN 模型在处理不同的刺激时，只在最后一个处理层表现出一定的 Gestalt 效应，但这种效应与人类感知的 Gestalt 效应不同，从而表明 DNN 学习到的感知属性与人类有根本的差异。

Mar, 2022

U-Noise：可学习的噪声掩码，用于可解释的图像分割

利用添加噪声的方法，我们提出了一种全新的解释深度学习图像分割模型的方法，能在医学等重要决策应用中提高模型的可解释性，并演示了该方法优于传统的 Grad-CAM 和遮挡敏感方法，同时，我们证明了该可解释性模型可以基于遮挡图像的下游性能进行定量评估。

Jan, 2021

计算机视觉中的人类感知

本文研究计算机视觉、深度神经网络（DNN）、人类视觉感知和无体系结构视觉学习之间的联系，并发现 DNN 计算可用于估计感知损失，并与有趣的理论观点一致，即人类感知的特性是视觉学习无体系结构的结果。

Jan, 2017

通过预测噪音实现无监督学习

本文介绍了一种通用的框架，用于在没有监督的情况下对深度网络进行端对端训练，通过固定一组目标表示并约束其深度特征对齐到这些表示来达到目的，同时采用了随机批量重新分配策略和可分离的平方损失函数来缓解标准无监督学习中的一些问题，并且在 ImageNet 和 Pascal VOC 上能够实现与最先进的无监督方法相媲美的表现。

Apr, 2017

使用神经网络捕捉视觉对象

本研究回顾了关于人类目标感知和深度神经网络模型在目标识别方面的相关工作，并探讨了这两个领域如何相互促进，提供了发展新实验任务和推动深度神经网络模型中的目标识别的基准的认知文献和实验任务。

Sep, 2021

DeepCut：基于图神经网络聚类的无监督分割

该研究提出了一种基于图神经网络的图像分割方法，相较于现有方法可以隐式地完成部件语义分割，用于目标定位、分割和语义部件分割任务并在多个基准测试中取得了最先进的表现。

Dec, 2022

分类中的噪音标签处理：一项调查

对于计算机视觉任务尤其是图像分类任务，本综述全面回顾了应对噪声标签的不同深度学习方法的演变，研究了不同的噪声模式，并提出了一种由现实世界数据引导的算法来生成合成标签噪声模式，以形成一个新的以真实世界数据为指导的合成基准，并在该基准上评估了一些典型的噪声鲁棒方法。

Apr, 2024

解开知觉分组的神经机制

通过对两个合成的视觉任务系统评估神经网络架构的组合，我们发现底层、水平和顶层连接的计算角色有所不同，且这些交互都可以更灵活地学习形成感知群体。

Jun, 2019

训练深度判别神经网络对抗标签噪声的鲁棒性

该论文提出了一种基于无标签干扰数据集训练深度卷积神经网络的新型框架，并使用一个无向图模型来描述干净和嘈杂标签之间的关系，在监督学习过程中学习这个模型。该模型在图像标注问题上应用，并在 CIFAR-10 和 MS COCO 数据集上展示出有效的标注效果和在训练中实现了减少标签噪声的效果。

May, 2017