論文の概要: Object Recognition by a Minimally Pre-Trained System in the Process of
Environment Exploration
- arxiv url: http://arxiv.org/abs/2111.11965v1
- Date: Tue, 23 Nov 2021 15:59:22 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-24 18:22:35.378462
- Title: Object Recognition by a Minimally Pre-Trained System in the Process of
Environment Exploration
- Title（参考訳）: 環境探索過程における最小限の事前学習システムによる物体認識
- Authors: Dmitry Maximov and Sekou A. K. Diane
- Abstract要約: システムによる抽象環境研究の過程を記述・評価する新奇性を更新する。
生体認知機構をモデル化せず,情報処理装置を備えたエージェントとみなす。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We update the method of describing and assessing the process of the study of
an abstract environment by a system, proposed earlier. We do not model any
biological cognition mechanisms and consider the system as an agent equipped
with an information processor (or a group of such agents), which makes a move
in the environment, consumes information supplied by the environment, and gives
out the next move (hence, the process is considered as a game). The system
moves in an unknown environment and should recognize new objects located in it.
In this case, the system should build comprehensive images of visible things
and memorize them if necessary (and it should also choose the current goal
set). The main problems here are object recognition, and the informational
reward rating in the game. Thus, the main novelty of the paper is a new method
of evaluating the amount of visual information about the object as the reward.
In such a system, we suggest using a minimally pre-trained neural network to be
responsible for the recognition: at first, we train the network only for
Biederman geons (geometrical primitives). The geons are generated
programmatically and we demonstrate that such a trained network recognizes
geons in real objects quite well. We also offer to generate, procedurally, new
objects from geon schemes (geon combinations in images) obtained from the
environment and to store them in a database. In this case, we do not obtain new
information about an object (i.e., our reward is maximal, thus the game and the
object cognition process stop) when we stop getting new schemes of this kind.
These schemes are generated from geons connected with the object. In the case
of a possibly known item, the informational reward is maximal when we have no
more detection uncertainty for any of the objects.
- Abstract（参考訳）: 本稿では,先述したシステムによる抽象環境研究の過程を記述・評価する手法をアップデートする。
我々は、生体認知機構をモデル化せず、環境を移動させ、環境から供給された情報を消費し、次の動きを提示する情報処理装置(またはそのようなエージェントのグループ)を備えたエージェントとしてシステムを検討する(従って、プロセスはゲームと見なされる)。
システムは未知の環境で動き、その中に新しいオブジェクトを認識する必要がある。
この場合、システムは可視物の総合的なイメージを作成し、必要に応じて記憶する(現在の目標セットも選択する必要がある)。
ここでの大きな問題は、オブジェクト認識と、ゲームにおける情報報酬評価だ。
そこで,本論文の主な新規性は,対象物の視覚的情報量を報奨として評価する方法である。
このようなシステムでは、最小限の事前学習されたニューラルネットワークを用いて認識の責任を負うことを提案している。
ジオンはプログラム的に生成され、訓練されたネットワークが実物体のジオンをかなりよく認識していることが示される。
また,環境から得られたgeonスキーム(画像中のgeonの組み合わせ)から新たなオブジェクトを生成し,データベースに格納することを提案する。
この場合、この種の新しいスキームが得られなくなると、オブジェクト(つまり、報酬は最大であり、ゲームとオブジェクト認識プロセスは停止する)に関する新しい情報を得ることができない。
これらのスキームは、オブジェクトに接続されたジオンから生成される。
潜在的に既知の項目の場合、どのオブジェクトに対しても検出の不確実性がなくなった場合、情報報酬は最大となる。
関連論文リスト
- Rotating Features for Object Discovery [74.1465486264609]
本稿では,複雑な特徴を高次元に一般化した回転特徴と,分散表現からオブジェクトを抽出する新たな評価手法を提案する。
これらの進歩により、分散オブジェクト中心の表現を単純な玩具から現実世界のデータに拡張することが可能になります。
論文 参考訳（メタデータ） (2023-06-01T12:16:26Z) - Look Around and Learn: Self-Training Object Detection by Exploration [23.620820805804616]
エージェントは、事前訓練されたオフザシェルフ検出器を使用して環境を探索し、オブジェクトを検出し、擬似ラベルを関連付ける。
同じオブジェクトの擬似ラベルが、異なる視点で一貫性を持っていなければならないと仮定することで、ハードサンプルをマイニングするためにLook Aroundという探索ポリシーを学びます。
我々は現在の最先端の統一されたベンチマークを実装し、既存の探索政策や知覚メカニズムと比較する。
論文 参考訳（メタデータ） (2023-02-07T16:26:45Z) - Planning for Learning Object Properties [117.27898922118946]
我々は、物体特性を象徴的な計画問題として認識するために、ニューラルネットワークを自動的に訓練する問題を定式化する。
トレーニングデータセット作成と学習プロセスを自動化するための戦略を作成するために,計画手法を使用します。
シミュレーションと実環境の両方で実験的な評価を行う。
論文 参考訳（メタデータ） (2023-01-15T09:37:55Z) - Spatial Reasoning for Few-Shot Object Detection [21.3564383157159]
本稿では,空間的推論フレームワークを提案する。
グラフ畳み込みネットワークをRoIとその関連性はそれぞれノードとエッジとして定義する。
提案手法は最先端の手法を著しく上回り, 広範囲なアブレーション研究により有効性を検証する。
論文 参考訳（メタデータ） (2022-11-02T12:38:08Z) - Learning by Asking Questions for Knowledge-based Novel Object
Recognition [64.55573343404572]
実世界のオブジェクト認識には、認識すべきオブジェクトクラスが多数存在する。教師付き学習に基づく従来の画像認識は、トレーニングデータに存在するオブジェクトクラスのみを認識できるため、現実の世界においては限定的な適用性を有する。
そこで本研究では,モデルが新たなオブジェクトを瞬時に認識するのに役立つ質問生成を通じて,外部知識を取得するための枠組みについて検討する。
我々のパイプラインは、オブジェクトベースのオブジェクト認識と、新しい知識を得るために知識を意識した質問を生成する質問生成という2つのコンポーネントから構成される。
論文 参考訳（メタデータ） (2022-10-12T02:51:58Z) - Bridging the Gap to Real-World Object-Centric Learning [66.55867830853803]
自己教師付き方法で訓練されたモデルから特徴を再構成することは、完全に教師なしの方法でオブジェクト中心表現が生じるための十分な訓練信号であることを示す。
我々のアプローチであるDINOSAURは、シミュレーションデータ上で既存のオブジェクト中心学習モデルよりも大幅に優れています。
論文 参考訳（メタデータ） (2022-09-29T15:24:47Z) - Information is Power: Intrinsic Control via Information Capture [110.3143711650806]
我々は,潜時状態空間モデルを用いて推定したエージェントの状態訪問のエントロピーを最小化する,コンパクトで汎用的な学習目的を論じる。
この目的は、不確実性の低減に対応する環境情報収集と、将来の世界状態の予測不可能性の低減に対応する環境制御の両方をエージェントに誘導する。
論文 参考訳（メタデータ） (2021-12-07T18:50:42Z) - Capturing the objects of vision with neural networks [0.0]
人間の視覚知覚はその物理的関節でシーンを彫り、世界をオブジェクトに分解する。
対照的に、視覚物体認識のディープニューラルネットワーク(DNN)モデルは、主に感覚入力と結びついている。
両分野の関連研究をレビューし、これらの分野が相互にどのように役立つかを検討する。
論文 参考訳（メタデータ） (2021-09-07T21:49:53Z) - One-Shot Object Localization Using Learnt Visual Cues via Siamese
Networks [0.7832189413179361]
本研究では,新しい環境にローカライズされなければならない新規な関心対象を特定するために視覚的な手がかりを用いる。
Siameseネットワークを備えたエンドツーエンドのニューラルネットワークを使用して、キューを学び、関心のあるオブジェクトを推論し、新しい環境でローカライズします。
論文 参考訳（メタデータ） (2020-12-26T07:40:00Z) - Ventral-Dorsal Neural Networks: Object Detection via Selective Attention [51.79577908317031]
我々はVDNet(Ventral-Dorsal Networks)と呼ばれる新しいフレームワークを提案する。
人間の視覚システムの構造にインスパイアされた我々は「Ventral Network」と「Dorsal Network」の統合を提案する。
実験の結果,提案手法は最先端の物体検出手法よりも優れていることがわかった。
論文 参考訳（メタデータ） (2020-05-15T23:57:36Z)
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。