論文の概要: Generalization and Robustness Implications in Object-Centric Learning

• arxiv url: http://arxiv.org/abs/2107.00637v1
• Date: Thu, 1 Jul 2021 17:51:11 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-02 14:01:14.701989
• Title: Generalization and Robustness Implications in Object-Centric Learning
• Title（参考訳）: オブジェクト指向学習における一般化とロバスト性
• Authors: Andrea Dittadi, Samuele Papa, Michele De Vita, Bernhard Sch\"olkopf, Ole Winther, Francesco Locatello
• Abstract要約: 本稿では,5つの共通オブジェクトデータセット上で,最先端の教師なしモデルを訓練する。 実験結果から,ダウンストリームタスクに一般的に有用なオブジェクト中心表現が得られた。
• 参考スコア（独自算出の注目度）: 23.021791024676986
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The idea behind object-centric representation learning is that natural scenes can better be modeled as compositions of objects and their relations as opposed to distributed representations. This inductive bias can be injected into neural networks to potentially improve systematic generalization and learning efficiency of downstream tasks in scenes with multiple objects. In this paper, we train state-of-the-art unsupervised models on five common multi-object datasets and evaluate segmentation accuracy and downstream object property prediction. In addition, we study systematic generalization and robustness by investigating the settings where either single objects are out-of-distribution -- e.g., having unseen colors, textures, and shapes -- or global properties of the scene are altered -- e.g., by occlusions, cropping, or increasing the number of objects. From our experimental study, we find object-centric representations to be generally useful for downstream tasks and robust to shifts in the data distribution, especially if shifts affect single objects.
• Abstract（参考訳）: オブジェクト中心の表現学習の背後にある考え方は、自然のシーンは分散表現とは対照的に、オブジェクトとそれらの関係の合成としてモデル化できるというものである。 この誘導バイアスをニューラルネットワークに注入することで、複数のオブジェクトを持つシーンにおける下流タスクの体系的な一般化と学習効率を改善することができる。 本稿では,5つの共通マルチオブジェクトデータセット上で,最先端の教師なしモデルを訓練し,セグメンテーション精度と下流のオブジェクト特性予測を評価する。 さらに, 単一物体が分布外である, 色, テクスチャ, 形状が見当たらない, シーンの全体的特性が変化している, などの設定を, 咬合, 切り欠き, オブジェクト数の増加などによって, 体系的な一般化と堅牢性について検討した。 実験から、オブジェクト中心表現は、下流タスクに一般的に有用であり、特にシフトが単一のオブジェクトに影響を及ぼす場合、データ分散のシフトに頑健であることが分かりました。

関連論文リスト

• Zero-Shot Object-Centric Representation Learning [72.43369950684057]
  ゼロショット一般化のレンズによる現在の対象中心法について検討する。 8つの異なる合成および実世界のデータセットからなるベンチマークを導入する。 多様な実世界の画像のトレーニングにより、見えないシナリオへの転送性が向上することがわかった。
  論文  参考訳（メタデータ） (2024-08-17T10:37:07Z)
• Object-centric architectures enable efficient causal representation learning [51.6196391784561]
  観測対象が複数の物体である場合, 生成関数はもはや注入的ではなく, 実際に乱れは生じないことを示す。 スパース摂動からの弱い監督を利用して各オブジェクトのプロパティを乱すオブジェクト中心アーキテクチャを開発する。 このアプローチはユークリッド空間にエンコードする同等のアプローチよりもはるかに少ない摂動を必要とするという意味で、よりデータ効率が高い。
  論文  参考訳（メタデータ） (2023-10-29T16:01:03Z)
• Compositional Scene Modeling with Global Object-Centric Representations [44.43366905943199]
  人間は、メモリ内の標準画像に基づいて閉塞された部分を完了させることで、たとえ閉塞物が存在するとしても、同じ物体を容易に識別することができる。 本稿では,オブジェクトの標準画像のグローバルな表現を,監督なしに推測する合成シーンモデリング手法を提案する。
  論文  参考訳（メタデータ） (2022-11-21T14:36:36Z)
• Robust and Controllable Object-Centric Learning through Energy-based Models [95.68748828339059]
  我々の研究は概念的にシンプルで一般的なアプローチであり、エネルギーベースモデルを通してオブジェクト中心の表現を学習する。 既存のアーキテクチャに容易に統合でき、高品質なオブジェクト中心表現を効果的に抽出できることを示す。
  論文  参考訳（メタデータ） (2022-10-11T15:11:15Z)
• Inductive Biases for Object-Centric Representations of Complex Textures [13.045904773946367]
  我々はニューラルスタイルの転送を使用して、オブジェクトが深いテクスチャを持つようなデータセットを生成する。 モデルがトレーニング対象における形状と外観の重要性を効果的にバランスさせると、オブジェクトの分離性が向上し、より有用なオブジェクト表現を学習できることがわかった。
  論文  参考訳（メタデータ） (2022-04-18T17:34:37Z)
• Complex-Valued Autoencoders for Object Discovery [62.26260974933819]
  本稿では,オブジェクト中心表現に対する分散アプローチとして,複合オートエンコーダを提案する。 このシンプルで効率的なアプローチは、単純なマルチオブジェクトデータセット上の等価な実数値オートエンコーダよりも、より良い再構成性能を実現することを示す。 また、2つのデータセット上のSlotAttentionモデルと競合しないオブジェクト発見性能を実現し、SlotAttentionが失敗する第3のデータセットでオブジェクトをアンタングルする。
  論文  参考訳（メタデータ） (2022-04-05T09:25:28Z)
• Towards Self-Supervised Learning of Global and Object-Centric Representations [4.36572039512405]
  自己スーパービジョンを用いた構造化対象中心表現の学習における重要な側面について論じる。 CLEVRデータセットに関するいくつかの実験を通じて、私たちの洞察を検証します。
  論文  参考訳（メタデータ） (2022-03-11T15:18:47Z)
• Object Pursuit: Building a Space of Objects via Discriminative Weight Generation [23.85039747700698]
  視覚学習と理解のためのオブジェクト中心表現を継続的に学習するフレームワークを提案する。 我々は、オブジェクト中心の表現を学習しながら、オブジェクトとそれに対応するトレーニング信号の多様なバリエーションをサンプリングするために、インタラクションを活用する。 提案するフレームワークの重要な特徴について広範な研究を行い,学習した表現の特徴を分析した。
  論文  参考訳（メタデータ） (2021-12-15T08:25:30Z)
• Object-aware Contrastive Learning for Debiased Scene Representation [74.30741492814327]
  オブジェクトを自己教師型でローカライズする,オブジェクト認識型コントラスト学習フレームワークを開発した。 また、コントラCAM、オブジェクト認識型乱作、背景混合に基づく2つのデータ拡張を導入し、コントラスト型自己教師型学習における文脈バイアスと背景バイアスを低減した。
  論文  参考訳（メタデータ） (2021-07-30T19:24:07Z)
• Global-Local Bidirectional Reasoning for Unsupervised Representation Learning of 3D Point Clouds [109.0016923028653]
  局所構造とグローバル形状の双方向推論による点雲表現を人間の監督なしに学習する。 本研究では, 実世界の3次元オブジェクト分類データセットにおいて, 教師なしモデルが最先端の教師付き手法を超越していることを示す。
  論文  参考訳（メタデータ） (2020-03-29T08:26:08Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。