ICMLMay, 2024

蜘蛛：一种用于上下文相关概念理解的统一框架

PDF
TL;DR提出了一个单一模型 Spider，用于理解和区分不同的强依赖上下文概念，以准确捕捉指示器的意图，并在 8 个不同的依赖上下文分割任务以及连续学习方面显现明显的优势。
context-dependent conceptscd understanding tasksspider modelcontext-dependent segmentation taskscontinuous learning
发现论文，激发创造
  • 语义分割中的上下文感知域自适应

    本文提出了一种基于交叉关注机制的无监督域自适应方法，用于在语义分割中将一个域中的知识转移到另一个域中，通过对自注意力机制的改进，能够更好地适应上下文依赖性和转移可操作的上下文信息，优于现有的方法。

    Mar, 2020

  • 透过树木看见道路：一种利用航空影像对空间依赖性建模的基准

    本研究提出了一种用于评估地理空间机器学习模型空间远程上下文理解能力的道路分割基准数据集，展示了常用的语义分割模型在该任务中的失败情况，并分析了模型在决策的相关背景（未遮挡的道路）距离变化时的性能变化。

    Jan, 2024

  • 看见看不见的：语义放置的视觉常识

    通过自动化处理网络数据生成一组数据集，其中包括了有和没有对象的图像，并使用该数据集构建了一个名为 CLIP-UNet 的 SP 预测模型，该模型在真实和模拟图像上超过了现有的视觉语义模型和基线，并证明了其在室内环境中构建整洁机器人等下游应用的潜力。

    Jan, 2024

  • 卷积蛛网：从 2D 图像中增量学习的模型

    本文介绍了一种新的概念形成方法，可支持增量学习和预测视觉图像的标签，该方法结合了计算机视觉研究中的卷积图像处理概念和基于心理学研究的概念形成方法。我们将其应用于 MNIST 数字识别任务，并将其性能与不支持卷积处理的 Cobweb 概念形成方法以及两种卷积神经网络进行比较。

    Jan, 2022

  • 室内场景识别的语义引导上下文建模

    本文提出了一种基于语义分割的新方法 SpaCoNet，旨在同时模拟对象的空间关系和共现情况，进而在室内场景识别任务中生成语义引导的特征表示，该方法具有良好的通用性和效果。

    May, 2023

  • 利用人类_概念形成避免视觉分类中的灾难性遗忘

    该研究提出了 Cobweb4V，一种新颖的视觉分类方法，通过借鉴人类逐步学习新概念的方式，有效地学习视觉概念而不会出现灾难性遗忘效应，与人类认知的学习策略相符，是一种有前景的神经网络方法替代方案。

    Feb, 2024

  • 一种统一的基于查询的伪装实例分割范式

    基于查询的多任务学习框架在伪装实例分割中表现出色，通过构建一组掩蔽查询和一组边界查询，有效地整合全局掩蔽对象区域和边界提示，实现了伪装场景中的实例分割和边界检测。

    Aug, 2023

  • 无监督伪装目标分割作为领域适应

    本研究探讨了深度学习在无监督图像分割中的应用，特别关注了自适应伪标签生成和无监督领域自适应任务，并提出了用于无监督伪标签自适应的前景 - 背景对比自对抗域自适应流程，能够更好地实现伪标签生成和图像分割。

    Aug, 2023

  • 发现和解决：概念感知的减轻虚假相关性

    本文介绍了一种可解释的框架 Discover and Cure (DISC)， 它可以发现和治愈深度神经网络中的假关联现象，通过使用可解释的概念，该框架的使用优于现有方法，通过一个对象识别任务和皮肤病分类任务，表现出显著的泛化性和可解释性。

    May, 2023

  • 面向组群分割的统一 Transformer 框架：协同分割，共同显著性检测和视频显著对象检测

    该论文提出了一个名为 UFO 的统一框架，通过引入自注意机制和内部 MLP 学习模块，结合图像的空间信息和特征相似性，实现了针对协同分割、协同显著性检测和视频显著性对象检测的多任务单一网络架构，实验结果表明，该方法在精度和速度方面均优于现有方法。

    Mar, 2022