Oct, 2023

局部分割：改进场景分割学习

PDF
TL;DR以基于插槽的处理方法为基础的场景表示的分解性处理方法已经取得了巨大的发展。我们介绍了 Loci-Segmented（Loci-s），这是一个先进的场景分割神经网络，扩展了基于插槽的位置和身份跟踪架构 Loci。
slot-oriented processingscene segmentationneural networkloci-segmentedcompositional scene representation
发现论文，激发创造
  • 学习是什么和在哪里：无监督分离位置和身份跟踪

    介绍了一种被称为 Loci 的自监督位置和身份追踪系统，通过处理分离的 “何处” 和 “何物” 的槽状编码解决了绑定问题，可以从视频流中有效地提取对象并将其分离成位置和整体组件，从而在概念层面上促进了有效的规划和推理。

    May, 2022

  • LOCI 循环：从视频中发展物体恒常性

    通过引入具有内部处理循环的 Loci-Looped 算法，本研究旨在推进组合场景表示算法，促进基于婴儿发展类似的直觉物理学习，以实现在对象遮挡或临时感官数据中断时无需显式历史缓冲区即能跟踪物体，以及以完全无监督的涌现方式学习对象永恒性和惯性这两个物理概念。

    Oct, 2023

  • SegLoc”: 针对安全检查 X 射线图像的密集预测任务量身定制的新型视觉自监督学习方案的研究

    使用自我监督学习方案对人工智能进行了重要进展，将对比学习整合到现有的自我监督学习模型中，在计算机视觉领域取得了显著的进展，通过提出的模型 Segmentation Localization 对密集预测的语义分割任务进行了评估，并通过实现每个类别一个队列的思想在 MoCo-v2 中避免了假阴性对。

    Oct, 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

  • 跨 IOU 损失的位置敏感视觉识别

    LSNet 是一个深度神经网络，能够根据感兴趣目标的锚点和标志点确定目标的形状，其采用新型的损失函数进行优化，可在提高准确率的同时具有更好的融合信息的性能。实验证明，LSNet 能够在定位敏感型的视觉识别任务中创造最新的准确率记录，成为新一代无锚点目标检测和实例分割的领跑者，并能够有效检测多尺度的人体姿态。

    Apr, 2021

  • 优化查询以改善对象中心学习

    本论文提出了一种新方法 Bi-level Optimized Query Slot Attention，利用可学习的查询初始化 Slot-Attention，配合双层优化方法，实现了在无监督图像分割和重构中最先进的结果，并展示了其在概念绑定和零样本学习中的巨大潜力。

    Oct, 2022

  • LOCATE：基于流引导图割和自主引导自训练的自监督目标发现

    利用动态信息和外观信息，我们提出了一种自我监督的目标发现方法，该方法能够生成高质量的目标分割遮罩，并在多个基准测试中取得与现有方法相媲美甚至超越的结果。

    Aug, 2023

  • 视频对象分割的学习实例传播（Learning Instance Propagation for Video Object Segmentation）

    本研究提出了一种端到端的深度神经网络，结合了 Mask-RCNN 实例分割网络和 Conv-GRU 视觉记忆模块，用于解决半监督视频对象分割任务，实验结果表明该方法在 DAVIS 数据集上取得了令人满意的结果。

    Sep, 2019

  • Locus: 使用 LiDAR 基于时空高阶池化的地点识别

    本文提出 Locus，一种使用 3D LiDAR 点云的新型地点识别方法，在大规模环境中提取和编码场景中与组件相关的拓扑和时间信息，并使用二阶池化和非线性变换聚合这些多层特征以生成不变于输入特征排列的固定长度全局描述符。该方法在 KITTI 数据集上优于最先进的方法，并证明对 3D LiDAR 点云中的多种挑战性情境具有鲁棒性。

    Nov, 2020

  • 利用文本区域增强的面向对象分层表示的自我监督场景文本分割

    通过自我监督场景文本分割算法，基于对象为中心的分割方式将图像分割为文本和背景层，改进网络对文本的敏感性，以解决像素级标签和合成数据集的问题，取得了比现有算法更好的效果。

    Aug, 2023