論文の概要: Object-Centric Learning with Slot Mixture Module

• arxiv url: http://arxiv.org/abs/2311.04640v1
• Date: Wed, 8 Nov 2023 12:34:36 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-09 16:02:27.741869
• Title: Object-Centric Learning with Slot Mixture Module
• Title（参考訳）: スロット混合モジュールを用いたオブジェクト中心学習
• Authors: Daniil Kirilenko, Vitaliy Vorobyov, Alexey K. Kovalev, Aleksandr I. Panov
• Abstract要約: 本研究はガウス混合モデルに基づく学習可能なクラスタリング手法を用いる。 他のアプローチとは異なり、スロットはクラスタの中心としてだけでなく、クラスタと割り当てられたベクトル間の距離に関する情報も含んでいる。 Slot Attentionの代わりにこのアプローチを使用することで、オブジェクト中心のシナリオのパフォーマンスが向上することを示す。
• 参考スコア（独自算出の注目度）: 45.62331048595689
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Object-centric architectures usually apply a differentiable module to the entire feature map to decompose it into sets of entity representations called slots. Some of these methods structurally resemble clustering algorithms, where the cluster's center in latent space serves as a slot representation. Slot Attention is an example of such a method, acting as a learnable analog of the soft k-means algorithm. Our work employs a learnable clustering method based on the Gaussian Mixture Model. Unlike other approaches, we represent slots not only as centers of clusters but also incorporate information about the distance between clusters and assigned vectors, leading to more expressive slot representations. Our experiments demonstrate that using this approach instead of Slot Attention improves performance in object-centric scenarios, achieving state-of-the-art results in the set property prediction task.
• Abstract（参考訳）: オブジェクト中心アーキテクチャは通常、機能マップ全体に微分可能なモジュールを適用して、スロットと呼ばれるエンティティ表現の集合に分解する。 これらの手法の一部はクラスタリングアルゴリズムに似ており、クラスタの中心がスロット表現として機能している。 Slot Attentionはそのような手法の例であり、ソフトk平均アルゴリズムの学習可能なアナログとして機能する。 本研究はガウス混合モデルに基づく学習可能なクラスタリング手法を用いる。 他のアプローチとは異なり、私たちはスロットをクラスタの中心として表現するだけでなく、クラスタと割り当てられたベクター間の距離に関する情報も取り入れている。 Slot Attentionの代わりにこのアプローチを用いることで、オブジェクト中心のシナリオのパフォーマンスが向上し、設定されたプロパティ予測タスクで最先端の結果が得られます。

関連論文リスト

• Enhancing Interpretable Object Abstraction via Clustering-based Slot Initialization [17.25953277219166]
  本稿では,スロットを用いたオブジェクト中心表現の新しい手法を提案する。 我々の手法は先行処理を一貫して上回ります。 様々なデータセットを用いたオブジェクト発見と新しいビュー合成タスクについて評価する。
  論文  参考訳（メタデータ） (2023-08-22T11:48:43Z)
• Semantics Meets Temporal Correspondence: Self-supervised Object-centric Learning in Videos [63.94040814459116]
  自己教師付き手法は、高レベルの意味論と低レベルの時間対応の学習において顕著な進歩を見せている。 融合した意味特徴と対応地図の上に,意味認識型マスキングスロットアテンションを提案する。 我々は、時間的コヒーレントなオブジェクト中心表現を促進するために、セマンティックおよびインスタンスレベルの時間的一貫性を自己スーパービジョンとして採用する。
  論文  参考訳（メタデータ） (2023-08-19T09:12:13Z)
• Instance-Optimal Cluster Recovery in the Labeled Stochastic Block Model [79.46465138631592]
  観測されたラベルを用いてクラスタを復元する効率的なアルゴリズムを考案する。 本稿では,期待値と高い確率でこれらの下位境界との性能を一致させる最初のアルゴリズムであるIACを提案する。
  論文  参考訳（メタデータ） (2023-06-18T08:46:06Z)
• DeepCut: Unsupervised Segmentation using Graph Neural Networks Clustering [6.447863458841379]
  本研究では,従来のクラスタリング手法を置き換える軽量グラフニューラルネットワーク(GNN)を提案する。 既存の手法とは異なり、GNNはローカル画像特徴と生特徴とのペアワイズ親和性の両方を入力として取ります。 画像セグメンテーションGNNを訓練するための自己教師付き損失関数として,古典的クラスタリングの目的を定式化する方法を実証する。
  論文  参考訳（メタデータ） (2022-12-12T12:31:46Z)
• LEAD: Self-Supervised Landmark Estimation by Aligning Distributions of Feature Similarity [49.84167231111667]
  自己監督型ランドマーク検出における既存の研究は、画像から高密度(ピクセルレベルの)特徴表現を学習することに基づいている。 自己教師付き方式で高密度同変表現の学習を強化するアプローチを提案する。 機能抽出器にそのような先行性があることは,アノテーションの数が大幅に制限されている場合でも,ランドマーク検出に役立ちます。
  論文  参考訳（メタデータ） (2022-04-06T17:48:18Z)
• Graph Contrastive Clustering [131.67881457114316]
  本稿では,クラスタリングタスクに適用可能な新しいグラフコントラスト学習フレームワークを提案し,gcc(graph constrastive clustering)法を考案した。 特に、グラフラプラシアンに基づくコントラスト損失は、より識別的かつクラスタリングフレンドリーな特徴を学ぶために提案されている。 一方で、よりコンパクトなクラスタリング割り当てを学ぶために、グラフベースのコントラスト学習戦略が提案されている。
  論文  参考訳（メタデータ） (2021-04-03T15:32:49Z)
• Attention-Based Clustering: Learning a Kernel from Context [0.0]
  本稿では,アテンション・ベース・クラスタリング(ABC)を提案する。 ABCは、入力セット内のコンテキストに適応する潜在表現を学ぶように設計されている。 我々は,Omniglot文字のクラスタリングにおける競合的な結果を示し,クラスタリングにおける注目に基づくアプローチの有効性に関する分析的証拠を含む。
  論文  参考訳（メタデータ） (2020-10-02T15:06:06Z)
• Kernel learning approaches for summarising and combining posterior similarity matrices [68.8204255655161]
  我々は,ベイズクラスタリングモデルに対するMCMCアルゴリズムの出力を要約するための新しいアプローチを提案するために,後部類似性行列(PSM)の概念を構築した。 我々の研究の重要な貢献は、PSMが正の半定値であり、したがって確率的に動機付けられたカーネル行列を定義するのに使用できることである。
  論文  参考訳（メタデータ） (2020-09-27T14:16:14Z)
• GATCluster: Self-Supervised Gaussian-Attention Network for Image Clustering [9.722607434532883]
  画像クラスタリングのための自己教師型クラスタリングネットワーク(GATCluster)を提案する。 まず中間機能を抽出し、次に従来のクラスタリングを実行する代わりに、GATClusterセマンティッククラスタラベルを後処理なしで実行します。 大規模画像のクラスタリングにメモリ効率のよい2段階学習アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2020-02-27T00:57:18Z)
• Point-Set Kernel Clustering [11.093960688450602]
  本稿では,オブジェクトとオブジェクトの集合との類似性を計算する,ポイントセットカーネルと呼ばれる新しい類似度尺度を提案する。 新たなクラスタリング手法は,大規模データセットを扱えるように,効率的かつ効率的であることを示す。
  論文  参考訳（メタデータ） (2020-02-14T00:00:03Z)

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。