論文の概要: Object Topological Character Acquisition by Inductive Learning
- arxiv url: http://arxiv.org/abs/2306.10664v1
- Date: Mon, 19 Jun 2023 01:19:37 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-21 19:27:54.499409
- Title: Object Topological Character Acquisition by Inductive Learning
- Title（参考訳）: 帰納学習による物体トポロジカル文字獲得
- Authors: Wei Hui, Liping Yu and Yiran Wei
- Abstract要約: 本稿では, 対象の骨格(RTS)に基づく地形構造の形式的表現を提案し, 「共通地盤の探索」 の誘導過程を実現する。
オブジェクト認識の実装は、色、縁、テクスチャなどの単純な物理的特徴ではなく、トポロジのような共通の幾何学に基づいていることは明らかである。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Understanding the shape and structure of objects is undoubtedly extremely
important for object recognition, but the most common pattern recognition
method currently used is machine learning, which often requires a large number
of training data. The problem is that this kind of object-oriented learning
lacks a priori knowledge. The amount of training data and the complexity of
computations are very large, and it is hard to extract explicit knowledge after
learning. This is typically called "knowing how without knowing why". We
adopted a method of inductive learning, hoping to derive conceptual knowledge
of the shape of an object and its formal representation based on a small number
of positive examples. It is clear that implementing object recognition is not
based on simple physical features such as colors, edges, textures, etc., but on
their common geometry, such as topologies, which are stable, persistent, and
essential to recognition. In this paper, a formal representation of topological
structure based on object's skeleton (RTS) was proposed and the induction
process of "seeking common ground" is realized. This research helps promote the
method of object recognition from empiricism to rationalism.
- Abstract（参考訳）: オブジェクトの形状や構造を理解することは、オブジェクト認識にとって非常に重要だが、現在使われている最も一般的なパターン認識方法は、多くのトレーニングデータを必要とする機械学習である。
問題は、この種のオブジェクト指向学習には事前知識が欠けていることだ。
トレーニングデータの量と計算の複雑さは非常に大きいため、学習後に明示的な知識を抽出することは困難である。
これは一般に「理由を知らずにどのように知るか」と呼ばれる。
我々は,少数の肯定的な例に基づいて,物体の形状とその形式的表現の概念的知識を導き出そうとする帰納的学習法を採用した。
オブジェクト認識の実装は、色、エッジ、テクスチャなどの単純な物理的特徴に基づくものではなく、トポロジーのような、安定で永続的で、認識に不可欠な共通の幾何学に基づいていることは明らかである。
本稿では, 対象の骨格(RTS)に基づく地形構造の形式的表現を提案し, 「共通地盤の探索」 の誘導過程を実現する。
本研究は,経験主義から合理主義への物体認識の促進に寄与する。
関連論文リスト
- Unseen Object Reasoning with Shared Appearance Cues [1.9610132419137964]
本稿では,オープンワールド認識(OWR)への革新的アプローチを紹介する。
未知の物体の認識に対処するために、既知の物体から得られた知識を活用する。
論文 参考訳（メタデータ） (2024-06-21T18:04:13Z) - Causal discovery using dynamically requested knowledge [7.904709685523615]
Causal Bayesian Networks (CBN) は、複雑な実世界のシステムにおいて不確実性の下で推論するための重要なツールである。
本研究では,構造学習アルゴリズム自体が,アルゴリズムが不確実であると認識する関係について,知識を動的に識別し,要求する新たなアプローチについて検討する。
構造的精度は,既存の知識統合手法よりも大幅に向上した。
論文 参考訳（メタデータ） (2023-10-17T11:21:23Z) - Relate to Predict: Towards Task-Independent Knowledge Representations
for Reinforcement Learning [11.245432408899092]
強化学習は、エージェントが複雑なタスクを学習できるようにする。
知識を解釈し、タスク間で再利用することは難しい。
本稿では,対象中心の知識分離を明示する帰納的バイアスを導入する。
知識分離における明示性の程度は、学習の高速化、精度の向上、一般化の向上、理解可能性の向上と相関していることを示す。
論文 参考訳（メタデータ） (2022-12-10T13:33:56Z) - On Binding Objects to Symbols: Learning Physical Concepts to Understand
Real from Fake [155.6741526791004]
我々は、ディープニューラルネットワークが合成データを生成する驚くべき能力に照らして、古典的な信号と記号の障壁を再考する。
物理オブジェクトを抽象概念として特徴付け,それ以前の解析を用いて,物理オブジェクトが有限なアーキテクチャで符号化可能であることを示す。
我々は、有限時間でデジタルIDに物理的実体を結合することは、有限資源で可能であると結論付けた。
論文 参考訳（メタデータ） (2022-07-25T17:21:59Z) - Learning to Infer 3D Shape Programs with Differentiable Renderer [0.0]
本稿では, 形状プログラムの解釈において, より忠実で, 制御可能な解析可能エグゼキュータを提案する。
これらは、基底真理プログラムが利用できない場合に、ジェネレータの学習を促進する。
適応に使用するための予備実験では,提案モジュールの利点が示された。
論文 参考訳（メタデータ） (2022-06-25T15:44:05Z) - Contrastive Object Detection Using Knowledge Graph Embeddings [72.17159795485915]
一つのホットアプローチで学習したクラス埋め込みの誤差統計と、自然言語処理や知識グラフから意味的に構造化された埋め込みを比較した。
本稿では,キーポイントベースおよびトランスフォーマーベースオブジェクト検出アーキテクチャの知識埋め込み設計を提案する。
論文 参考訳（メタデータ） (2021-12-21T17:10:21Z) - Fact-driven Logical Reasoning for Machine Reading Comprehension [82.58857437343974]
私たちは、常識と一時的な知識のヒントの両方を階層的にカバーする動機があります。
具体的には,文の背骨成分を抽出し,知識単位の一般的な定式化を提案する。
次に、事実単位の上にスーパーグラフを構築し、文レベル(事実群間の関係)と実体レベルの相互作用の利点を享受する。
論文 参考訳（メタデータ） (2021-05-21T13:11:13Z) - Geometric Deep Learning: Grids, Groups, Graphs, Geodesics, and Gauges [50.22269760171131]
過去10年間、データサイエンスと機械学習の実験的な革命が、ディープラーニングの手法によって生まれた。
このテキストは、統一幾何学的原理によって事前に定義された規則性を公開することに関するものである。
CNN、RNN、GNN、Transformersなど、最も成功したニューラルネットワークアーキテクチャを研究するための一般的な数学的フレームワークを提供する。
論文 参考訳（メタデータ） (2021-04-27T21:09:51Z) - Look-into-Object: Self-supervised Structure Modeling for Object
Recognition [71.68524003173219]
我々は,自己スーパービジョンを取り入れた「対象」(具体的かつ内在的に対象構造をモデル化する)を提案する。
認識バックボーンは、より堅牢な表現学習のために大幅に拡張可能であることを示す。
提案手法は汎用オブジェクト認識(ImageNet)や細粒度オブジェクト認識タスク(CUB, Cars, Aircraft)など,多数のベンチマークにおいて大きなパフォーマンス向上を実現している。
論文 参考訳（メタデータ） (2020-03-31T12:22:51Z) - A Review on Intelligent Object Perception Methods Combining
Knowledge-based Reasoning and Machine Learning [60.335974351919816]
物体知覚はコンピュータビジョンの基本的なサブフィールドである。
最近の研究は、物体の視覚的解釈のインテリジェンスレベルを拡大するために、知識工学を統合する方法を模索している。
論文 参考訳（メタデータ） (2019-12-26T13:26:49Z)
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。