本研究介绍了一个挑战性的物体概念学习 (OCL) 任务，旨在推动物体理解的发展，要求机器推理出物体的可负担性和同时给出推理：什么属性使物体具有这些可负担能力，并建立了一个密集注释的知识库来支持 OCL。我们提出了一个基于因果干预和概念实例化的基线模型，名为 Object Concept Reasoning Network (OCRN)，以有效推断物体知识，并指出 OCRN 在遵循因果关系时能够有效地推导出物体知识。

Dec, 2022

类似于人类将视觉场景视为对象，基于目标的学习（OCL）可以将密集图像或视频抽象成稀疏的对象级特征。我们提出了 “Grouped Discrete Representation”（GDR）方法，通过将特征分组为属性并使用元组编号对其进行索引，解决了将特征视为最小单位而忽视特征组成的属性的问题，并且在不同的查询初始化、数据集形式和模型架构的广泛实验中一致提高了收敛性和泛化能力。可视化结果显示我们的方法有效捕捉了特征中的属性级别信息。

Jul, 2024

我们提出了一种将 CLIP 与图表示学习相结合以更深入地利用分层类结构的新框架（HGCLIP），通过将类层次结构构建成一个图，其中其节点代表每个类别的文本或图像特征，通过图编码器，文本特征结合了分层结构信息，而图像特征通过注意机制强调了从原型派生的类别感知特征，我们的方法在通用和细粒度视觉识别基准上均取得了显著的改进。

Nov, 2023

OLGA 是一种端到端的图节点表示学习方法，通过结合两个损失函数来封装感兴趣的实例，其中包括一个新的超球面损失函数，以改善模型学习。OLGA 通过学习低维表示来保持分类性能，并提供了可解释的模型表示学习和结果。

Jun, 2024

在图表征学习中，提出了一种新的分层对比学习 (Hierarchical Contrastive Learning, 简称 HCL) 框架，采用自适应的 L2Pool 方法进行更合理的多尺度图形拓扑构建，并采用多通道伪孪生网络来进一步扩展各级别内的互信息学习，以获得更丰富和更具层次感的表示。通过实验，HCL 在节点分类、节点聚类和图分类等 12 个数据集上均取得了具有竞争力的性能表现，并且通过可视化显示，HCL 成功捕捉到了图的有意义特征。

Oct, 2022

家用机器人上安装的视觉系统需要与不可见的类别在多变的环境中进行交互。我们提出了 RobOCLe 作为一种少样本在线持续学习模型，通过构建富化特征空间和计算样本的高阶统计矩来改善连续学习模型的鲁棒性。

Jul, 2023

本文提出了一种概率生成模型，用于学习从多个物体场景的部分观察中构建模块化和组合化的三维物体模型，该模型可以推断 3D 物体表示并从任意视角呈现场景。

Jun, 2020

通过引入自增强图像策略的槽位注意力方法（SlotAug），本文探索了一种学习可解释的自控槽位的可能性，在计算机视觉领域中的物体中心学习（OCL）的研究中取得了显著的进展，并且通过引入辅助身份操作和槽位一致性损失，提出了可控槽位的可持续性概念。广泛的实证研究和理论验证证实了我们方法的有效性，为可解释和可持续控制对象表示提供了一种新的能力。

Oct, 2023

本文介绍了物体中心表示学习的概念，并在五个常见的多目标数据集上对最先进的无监督模型进行了训练和评估，研究了分割度量和下游对象属性预测等问题，并探讨了单个对象超出分布，全局属性的改变以及更少结构化的分布转变对其性能的影响。实验结果表明，物体中心表示对下游任务很有用，而且对于大多数影响对象的分布转变通常很坚韧。但是，当输入的分布变化不规则时，在分割和下游任务性能方面的韧性可能会因模型和分布转变而异。

Jul, 2021

通过引入组合性和不可约性假设，分析了何时可以在无监督情况下学习对象为中心的表示，并通过在合成数据上的实验验证了结果。还提供了证据表明该理论具有现有对象为中心模型的预测能力。

May, 2023