Jun, 2024

使用感知组件解释表示学习

PDF
TL;DR通过使用三个关键的感知组件：颜色、形状和纹理，我们采用选择性的掩模来观察表示的变化，从而获得每个感知组件的独特重要性图，从而增强了表示空间的可解释性，提供与人类视觉感知共鸣的解释。
self-supervised modelsinterpretabilityrepresentation spacesperceptual componentshuman visual perception
发现论文，激发创造
  • 无标签的无监督模型可解释性

    该文介绍了两种关键的后处理解释技术扩展：无标签特征重要性和无标签示例重要性，用于黑盒模型在推断时构造表示，并通过定性和定量比较展示了这种无标签可解释性模式的效用。

    Mar, 2022

  • 学习可学习深层先验的空间混合模型用于知觉分组

    本文提出了一种新的具有可学先验的空间混合模型来实现感知分组。 该方法将对象的属性划分为 “形状” 和 “外观”，并通过神经网络分别建模。 在感知分组数据集上进行的广泛实证测试表明，所提出的方法在大多数实验配置下优于现有的方法。

    Feb, 2019

  • 基于显著性模型解释的图形感知

    通过实验设计研究可视化设计决策、对齐类型和显著性地图质量对人类感知显著性视觉解释的影响。

    Jun, 2024

  • 何时何地？考察可解释的分解表示

    本文提出了一种基于解释性的无人监督学习方法来实现抽象表征，该方法可以通过学习空间遮罩、引入扰动和无人监督模型选择来学习高质量的分解表示。

    Apr, 2021

  • 基于词性的视觉语言模型子空间

    本文提出了一种通过语法组件分解学习 CLIP 模型中视觉 - 语言联合空间不同视觉模态的基本变化，从而获得解耦的图像和模态表示的方法，并证明其在图像合成和零样本分类方面的有效性。

    May, 2023

  • 自监督语音模型是否具有类人感知偏见？

    通过研究 wav2vec 2.0，HuBERT 和 CPC 三种最先进的自监督模型的表示空间，与法语和英语人类听众的感知空间作比较，我们发现 CPC 模型具有微小的母语语言效应，但 wav2vec 2.0 和 HuBERT 似乎发展出了一种通用的语音感知空间，而不是针对特定语言的。与受监督的电话识别器的预测比较表明，所有三种自监督的模型捕获了相对精细的知觉现象，而受监督的模型则更擅长捕获听众母语的更粗的电话级效应。

    May, 2022

  • 对比重构中的无监督部件发现

    本研究提出了一种非监督学习方法来发现和分割物体部分，通过像素级别的图像重建配合先前任务的代理目标，得到了一种更有意义的部分分解方法，优于现有的三个基准数据集，提供了一种一致的、可视化的物体语义部分表示。

    Nov, 2021

  • 使用物体感知表达式的多物体场景视觉运动控制

    本文探索运用物体感知表征学习技术进行机器人任务，自监督学习方法可降低实际世界中收集大量标记数据的成本，该研究展示物体感知表征学习技术在策略学习和物体定位预测方面显著提高了当前技术的效能和表现。

    May, 2022

  • 走向无监督表示学习：学习、评估和传递视觉表示

    无监督表示学习、卷积自组织神经网络、评估协议、表示传输、图像到图像转换

    Nov, 2023

  • 可视化说明的推荐系统

    本文提出了基于注意力神经网络的可视化解释推荐模型，这种模型可同时提供用户感兴趣的推荐结果和推荐理由，其关键在于模拟用户注意力，使用隐式反馈和文本评价进行监督学习。实验结果表明，所提出的模型不仅可提高推荐性能，还可以提供具有说服力的视觉解释。

    Jan, 2018