论文《Learning by abstraction: The neural state machine》【附代码】

最新推荐文章于 2024-12-28 18:23:13 发布
最新推荐文章于 2024-12-28 18:23:13 发布
阅读量297 收藏 2
点赞数 4
文章标签： 人工智能 ai python
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/m0_67769784/article/details/124171754
版权
论文《Learning by abstraction: The neural state machine》介绍了一种结合神经网络与有限状态机的视觉推理模型。通过构建概念词汇表、状态集和边集，模型能进行抽象表示和序列推理，提高理解和泛化能力。实验表明，该模型在GQA和VQA-CP数据集上表现出优秀的效果和可解释性。
摘要由CSDN通过智能技术生成

标题：抽象学习:神经状态机

论文资源：NeurIPS2019文献全文 - 学术范 (xueshufan.com)

代码：该项目为网友复现，可参考--> https://github.com/ceyzaguirre4/NSM 

一、问题提出

针对神经网络和符号网络各自的优缺点，引入有限自动机的思想，提出一种神经状态机，将各自的互补优势整合到视觉推理任务中。

首先基于给定的图像，使用一个场景图抽取模型，得到对应的概率场景图。其中，对象被转化为节点，并使用属性表示表示特征；关系被转化为边，来捕获对象之间的空间关系和语义关系。此外，对输入的问题进行语义理解，并转化为一系列软指令。在推理过程中，概率场景图被视为一个有限状态机，利用指令集合在其上执行顺序推理，迭代遍历它的节点，以回答一个给定的问题或得出一个新的推理。

不同于一些旨在将多模态数据进行紧密交互的神经网络结构，神经状态机定义了一组语义概念embedding的概念，其描述领域的不同实体和

最低0.47元/天 解锁文章
嘉熙990
关注
DL之Transformer：《The Illustrated Transformer—图解Transformer》翻译与解读
头部AI社区或平台如有邀请博主AI技术主题演讲请私信—心比天高，仗剑走天涯，保持热爱，奔赴向梦想！低调，谦虚，自律，反思，成长，还算比较正能量的博主，公益免费传播…内心特别想在AI界做出一些可以推进历史进程影响力的技术(兴趣使然，有点小情怀，也有点使命感呀
08-16 1万+
​ Paper：《The Illustrated Transformer—图解Transformer》翻译与解读 目录 Paper：《The Illustrated Transformer》翻译与解读 1、The Illustrated Transformer 2、A High-Level Look 3、Bringing The Tensors Into The Picture将张量引入图像 4、Now We’re Encoding! 5、The Deco
【论文】Learning by Abstraction: The Neural State Machine
weixin_43266916的博客
04-26 1647
论文标题：Learning by Abstraction: The Neural State Machine 论文链接 论文发表：NeurIPS 2019 继续看Neural-Symbolic相关的论文，这次是斯坦福Manning大神的“神经状态机（NSM）”,不知道是不是看过CS224n的原因，看这篇论文，感觉更加习惯他对方法描述的方式。 Abstract & Intro 与大多数旨在...
论文小综 | Neuro-Symbolic Reasoning in NLP
开放知识图谱
09-14 1082
本文作者：邓淑敏，浙江大学在读博士，研究方向为低资源条件下知识图谱自动化构建关键技术研究。深度学习的高速发展使得模型的表达能力逐步完善，在一些感知任务（例如动作识别和事件检测）上取得了显...
【人工智能】NIPS2019 | 2019NIPS论文 | NeurIPS2019最新更新论文~持续更新| NIPS2019百度云下载
热门推荐
中科院AI算法工程师的博客
09-04 2万+
论文下载百度云链接：链接：https://pan.baidu.com/s/100OAXTIOTPoMjbi-dwOcxA 提取码：请关注【计算机视觉联盟】微信公众号，回复：NIPS2019 今天更新到2019年10月11号 目录 今天更新到2019年9月4号 Understanding the Representation Power of Graph Neural Networks i...
【今日CV 计算机视觉论文速览 第142期】Wed, 10 Jul 2019
TomRen
07-15 1588
第142期 视觉论文速览 --神经状态机 --椭圆拟合选择bbox --小移动下的深度估计 --三维目标追踪
Chapter2 : Machine Learning Applied to the Modeling of Pharmacological and ADMET Endpoints
weixin_52812620的博客
07-09 1107
《Artificial Intelligence in Drug Design》第二章
ON THE EVOLUTION OF MACHINE LEARNING: FROM LINEAR MODELS TO NEURAL NETWORKS
weixin_30505485的博客
05-08 120
ON THE EVOLUTION OF MACHINE LEARNING: FROM LINEAR MODELS TO NEURAL NETWORKS We recently interviewed Reza Zadeh (@Reza_Zadeh). Reza is a Consulting Professor in the Institute for Computational and Mat...
DL之DNN：《The Neural Network Zoo神经网络模型集合与分类》翻译与解读
头部AI社区或平台如有邀请博主AI技术主题演讲请私信—心比天高，仗剑走天涯，保持热爱，奔赴向梦想！低调，谦虚，自律，反思，成长，还算比较正能量的博主，公益免费传播…内心特别想在AI界做出一些可以推进历史进程影响力的技术(兴趣使然，有点小情怀，也有点使命感呀
07-07 5260
​ DL之DNN：《The Neural Network Zoo神经网络模型集合与分类》翻译与解读 目录 相关文章 《The Neural Network Zoo神经网络模型集合与分类》翻译与解读 Introduce Neural Network Zoo 相关文章 DL：深度学习算法(神经网络模型集合)概览之《THE NEURAL NETWORK ZOO》的中文解释和感悟(一) DL：深度学习算法(神经网络模型集合)概览
TensorFlow: A System for Large-Scale Machine Learning翻译
zhuiyunzhugang的博客
06-01 555
TensorFlow: A System for Large-ScaleMachine Learning 1.Abstract TensorFlow是在大规模和异构环境中运行的机器学习系统。 TensorFlow使用数据流图来表示计算，共享状态以及使该状态发生变异的操作。 它在群集中的许多计算机之间以及一台计算机中的多个计算设备之间映射数据流图的节点，这些计算设备包括多核CPU，通用GPU和称为Tensor处理单元（TPU）的定制设计ASIC。 这种体系结构为应用程序开发人员提供了灵活性：而在...
Conceptual Challenges for Interpretable Machine Learning
weixin_42786150的博客
03-01 1468
Conceptual Challenges for Interpretable Machine Learning David S. Watson1 'Department of Statistical Science, University College London, London, UK Email for correspondence: david.watson@ucl.ac.uk §0 Abstract As machine learning has gradually entere..
基于视觉的机器人抓取: 论文及代码(Vision-based Robotic Grasping: Papers and Codes)
dsoftware的博客
10-22 2万+
最近总结了基于视觉的机器人抓取的相关论文及代码，同步于github。根据抓取的类别，基于视觉的机器人抓取可以分为两类：2D平面抓取以及6D空间抓取。这个页面总结了近年来涉及到的各种各样的方法，其中大部分都使用了深度学习。总结的中文框架结构如下： 0.综述论文 1. 2D平面抓取 这类方法将抓取，用平面内旋转的矩形框表示； 1.1基于RGB或者RGB-D的方法 采用基于目标检测类的方法，直接得到2D...
pyQT + OpenCV小练习
h1413517383的博客
12-28 429
锐化——使用cv2.Laplacian()、cv2.Sobel()实现。当用户点击下拉列表选项时，相应地更新窗口中显示的图像。提供一个按钮，当用户点击按钮时，能保存调整后的图像。模糊——使用cv2.GaussianBlur()实现。cv2.warpAffine（对图像进行放射变换）当用户点击按钮时，相应地更新窗口中显示的图像。边缘检测——使用cv2.Canny()实现。cv2.cvtColor（转换为灰度图）在 PyQt 的窗口中显示这张图像。在 PyQt 的窗口中显示这张图像。
AI Glass 明年会火，为 AIR 形态预热
【CSDN】
12-26 1100
AI Glass 明年会火，为 AIR 形态预热【AI×AR=AIR】。
【MySQL】细致入微讲解篇：深度学习与探索数据库索引
m0_66360096的博客
12-27 685
*前言:**本节内容主要讲解索引的下半部分。注意： 索引是很重要的知识点。务必学习！！本节将会主要索引的本质B+树， 以及为什么选择B+和操作索引。下面友友们开始学习吧！
PyTorch实战|运动鞋识别
weixin_52390875的博客
12-27 590
数据收集确定数据来源：明确数据是来自数据库、文件系统、网络爬虫、传感器等。例如，在构建一个图像识别模型时，数据可能来源于互联网上的公开图像数据集，像 CIFAR - 10（由 10 个不同类别的 60000 张 32x32 彩色图像组成）；或者是通过专门的图像采集设备获取。获取相关数据：按照预先确定的来源渠道，收集足够数量的数据。对于文本分类任务，可能需要从新闻网站、学术论文库等地方收集文本内容，并标注好类别，如财经新闻、科技新闻等。数据清理处理缺失值识别数据集中哪些属性存在缺失值。
微软 CEO 萨提亚・纳德拉：回顾过去十年，展望 AI 时代的战略布局
ainnle的专栏
12-25 780
微软 CEO 萨提亚・纳德拉与著名投资人比尔・格里和布拉德・格斯特纳进行了一场深度对话，回顾了过去十年微软的转型历程，并展望了 AI 时代的战略布局。
智能工厂的设计软件 应用场景的一个例子：为AI聊天工具添加一个知识系统 之3 帮助AI聊天工具中提问者正确描述问题
最新发布
ChuanfangChen的博客
12-28 426
本文希望能根据问题描述文字“猜”出 该描述的格式形式用意等全部，确保每一个部分都被收集在描述项中并指出有问题或不明确的地方。 我将这个过程称为“反推”。也就是根据文字内容推出 描述格式的方法。这里”推“法 主要关注内部描述项（即”自述“）而将外部描述项一带而过（基本都会忽略”引入“ 的”背景“ 和 ”前景”，一般仅会简单地 ”取景“ 并且很不准确很随意）。“取景”指的是 “我”所关注的那部分，剩下的”景“ 才是”背景“和”前景“，之所以能”取景“的原因是”背景“的衬托而所以去这样”取景“ 是因为 有某种愿
不用全神贯注状态的人机交互或更危险
人机与认知实验室
12-26 465
不全神贯注的状态下进行人机交互可能会带来一些潜在的风险和危险。尤其是在涉及到高风险操作或者需要精准决策的场景中，注意力的分散和疏忽可能会导致不必要的错误，甚至灾难性后果。这里有几个方面可以探讨为什么不全神贯注的状态下，人机交互可能更危险：1.自动化与人类决策的错配许多现代系统，尤其是那些涉及自动化、人工智能或高级辅助系统的场景，依赖于人机合作。在这种合作中，AI通常承担一些繁重、重复或高复杂度的...
【阅读记录-章节7】Build a Large Language Model (From Scratch)
weixin_44329069的博客
12-25 922
为了处理指令微调中的批次数据，我们实现了一个自定义的collate函数，用于填充序列并生成目标 token IDs。collate希望您喜欢从零开始实现一个 LLM 并从头编写预训练和微调功能的这段旅程。在我看来，从头构建一个 LLM 是深入理解 LLM 工作原理的最有效方式。希望这种实践方法为您提供了有价值的见解和坚实的 LLM 开发基础。虽然本书的主要目的是教育，但您可能有兴趣在实际应用中使用不同且更强大的 LLM。为此，我建议探索一些流行工具，如 Axolotl () 或 LitGPT (
CardGame-Abstraction:打造高效纸牌游戏逻辑的核心库
资源摘要信息:"CardGame-Abstraction:用于纸牌游戏的抽象库的开头" 在编程领域中，特别是游戏开发领域，"纸牌游戏抽象库"的概念是非常重要的。该库为开发者提供了一套通用的工具和接口，用于构建各类纸牌游戏。...
评论 3
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值
>