論文の概要: OrthoRF: Exploring Orthogonality in Object-Centric Representations

• arxiv url: http://arxiv.org/abs/2610.35203v1
• Date: Mon, 26 Oct 2026 10:55:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.83439
• Title: OrthoRF: Exploring Orthogonality in Object-Centric Representations
• Title（参考訳）: OrthoRF:オブジェクト中心表現における直交性を探る
• Abstract要約: 機械学習では、同期ベースのモデルは、複雑な価値のある機能のフェーズにバインディングを格納することで、オブジェクト中心の表現を学習する。 本稿では,内積損失と構造的修正を通じて,RFの向き空間の直交性を強制する直交回転特徴 (Orthogonal Rotating Features, OrthoRF) を提案する。
• 参考スコア（独自算出の注目度）: 44.6773588765231
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Neural synchrony is hypothesized to help the brain organize visual scenes into structured multi-object representations. In machine learning, synchrony-based models analogously learn object-centric representations by storing binding in the phase of complex-valued features. Rotating Features (RF) instantiate this idea with vector-valued activations, encoding object presence in magnitudes and affiliation in orientations. We propose Orthogonal Rotating Features (OrthoRF), which enforces orthogonality in RF's orientation space via an inner-product loss and architectural modifications. This yields sharper phase alignment and more reliable grouping. In evaluations of unsupervised object discovery, including settings with overlapping objects, noise, and out-of-distribution tests, OrthoRF matches or outperforms current models while producing more interpretable representations, and it eliminates the post-hoc clustering required by many synchrony-based approaches. Unlike current models, OrthoRF also recovers occluded object parts, indicating stronger grouping under occlusion. Overall, orthogonality emerges as a simple, effective inductive bias for synchrony-based object-centric learning.
• Abstract（参考訳）: ニューラルシンクロニー(Neural synchrony)は、脳が視覚シーンを構造化された多目的表現にまとめるのを助ける仮説である。 機械学習において、同期ベースのモデルは、複雑な価値のある機能のフェーズにバインディングを格納することで、オブジェクト中心の表現を類似的に学習する。 回転特徴(RF)は、このアイデアをベクトル値のアクティベーションでインスタンス化し、大きさでオブジェクトの存在をエンコードし、向きでアフィリエイトする。 本稿では,内積損失と構造的修正を通じて,RFの向き空間の直交性を強制する直交回転特徴 (Orthogonal Rotating Features, OrthoRF) を提案する。 これにより、よりシャープな位相アライメントとより信頼性の高いグループ化が得られる。 オーバーラップしたオブジェクト、ノイズ、アウト・オブ・ディストリビューションテストを含む、教師なしのオブジェクト発見の評価では、OrthoRFはより解釈可能な表現を生成しながら、現在のモデルにマッチしたり、性能を上回ったりし、多くの同期ベースのアプローチで必要とされるポストホッククラスタリングを排除します。 現在のモデルとは異なり、OrthoRFは隠蔽された物体の部分も回収し、隠蔽下でより強力なグループ化を示す。 全体として、直交性は同期に基づくオブジェクト中心学習のための単純で効果的な帰納的バイアスとして現れる。

関連論文リスト

• K-Models: a Flexible and Interpretable Method for Ordinal Clustering with Application to Antigen-Antibody Interaction Profiles [65.21921642886367]
  K-Modelsは、順序的制約を統合し、観察された機能プロファイルを生成するランダムプロセスの基本的な要素を推定する新しいフレームワークである。 提案手法はシミュレーションと実世界の応用を通して評価する。
  論文  参考訳（メタデータ） (2026-05-14T13:35:44Z)
• Hyperbolic Enhanced Representation Learning for Incomplete Multi-view Clustering [57.38215918201251]
  本稿では,不完全なマルチビュークラスタリングのためのハイパーボリック拡張表現学習フレームワークであるHERLを提案する。 ポアンカレボール内で操作すると、HERLは表現学習を強化するために構造を意識した潜在空間を構築する。 HERLは最先端のアプローチよりも一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2026-04-18T10:50:46Z)
• Small Object Detection in Complex Backgrounds with Multi-Scale Attention and Global Relation Modeling [8.24377869183113]
  複雑な背景下での小さなオブジェクト検出は、深刻な特徴劣化、弱いセマンティック表現、不正確なローカライゼーションのために難しい課題である。 既存の検出フレームワークは主に汎用オブジェクト用に設計されている。 小型オブジェクト検出に適した多層機能拡張とグローバルリレーショナルモデリングフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-04T06:57:46Z)
• Enhancing deep neural networks through complex-valued representations and Kuramoto synchronization dynamics [13.611995923070426]
  視覚的分類のために訓練された人工モデルにおいて、同期型メカニズムがオブジェクト符号化を向上できるかどうかを検討する。 複素数値表現と倉本ダイナミクスを組み合わせ、位相アライメントを促進し、同一対象に属する特徴のグルーピングを容易にする。 本研究は,ディープラーニングモデルの向上,性能の向上,堅牢性,一般化のための同期駆動機構の可能性を明らかにする。
  論文  参考訳（メタデータ） (2025-02-28T14:10:42Z)
• Recurrent Complex-Weighted Autoencoders for Unsupervised Object Discovery [62.43562856605473]
  複雑な重み付き再帰的アーキテクチャの計算上の優位性について論じる。 本稿では,反復的制約満足度を実現する完全畳み込みオートエンコーダSynCxを提案する。
  論文  参考訳（メタデータ） (2024-05-27T15:47:03Z)
• Weakly-supervised Contrastive Learning for Unsupervised Object Discovery [52.696041556640516]
  ジェネリックな方法でオブジェクトを発見できるため、教師なしのオブジェクト発見は有望である。 画像から高レベルな意味的特徴を抽出する意味誘導型自己教師学習モデルを設計する。 オブジェクト領域のローカライズのための主成分分析(PCA)を導入する。
  論文  参考訳（メタデータ） (2023-07-07T04:03:48Z)
• 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)
• Recurrent Feedback Improves Recognition of Partially Occluded Objects [1.452875650827562]
  人工ニューラルネットワークが再発の恩恵を受けるかどうかについて検討する。 競合パラメトリック複雑性のフィードフォワードモデルと比較して,繰り返しモデルでは分類精度が有意に高いことがわかった。
  論文  参考訳（メタデータ） (2021-04-21T16:18:34Z)

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。