TPAMI 2024 | 从多个未指定的角度进行无监督的以对象为中心的学习

最新推荐文章于 2024-10-02 18:13:53 发布
最新推荐文章于 2024-10-02 18:13:53 发布
阅读量31 收藏
点赞数
分类专栏： 论文解读 IEEE TPAMI 文章标签： 无监督学习 中心学习 深度学习 论文解读 TPAMI
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/qq_42722197/article/details/139844871
版权
论文解读 IEEE TPAMI 专栏收录该内容
232 篇文章 15 订阅 ¥49.90 ¥99.00
订阅专栏

题目：Unsupervised Object-Centric Learning From Multiple Unspecified Viewpoints

从多个未指定的角度进行无监督的以对象为中心的学习

作者：Jinyang Yuan; Tonglin Chen; Zhimeng Shen; Bin Li; Xiangyang Xue

摘要

视觉场景极其多样化，这不仅是因为物体和背景的无限可能组合，而且还因为同一场景的观察可能随着视点的变化而大不相同。当从多个视点观察多物体视觉场景时，人类能够从每个视点感知场景的组成，同时在不同视点之间实现所谓的“对象恒常性”，即使确切的视点未知。这种能力对于人类在移动中识别同一物体并高效地从视觉中学习至关重要。设计具有类似能力的模型是具有挑战性的。在本文中，我们考虑了一个新颖的问题，即在没有任何监督的情况下从多个未指定（即未知和不相关）的视点学习组合场景表示，并提出了一个深度生成模型，该模型将潜在表示分离成视点独立部分和视点依赖部分来解决这个问题。在推理过程中，潜在表示是随机初始化的，并通过集成不同视点中的信息与神经网络进行迭代更新。在几个特别设计的合成数据集上的实验表明&

了解本专栏 订阅专栏 解锁全文
小白学视觉
关注
专栏目录
订阅专栏
TPAMI 2024 | 从简单到复杂场景：学习鲁棒特征表示以实现精确人体解析
小白学视觉
09-05 56
人体解析因其在计算机视觉领域的广泛应用而引起了相当大的研究兴趣。在本文中，我们探讨了几种有用的属性，包括高分辨率表示、辅助引导和模型鲁棒性，这些属性共同促成了一种新颖的方法，用于在简单和复杂场景中进行精确的人体解析。从简单场景开始：我们提出了边界感知混合分辨率网络（BHRN），这是一种先进的人体解析网络。BHRN利用反卷积层和多尺度监督来生成丰富的高分辨率表示。此外，它还包括一个设计用来增强部件边界精细度的边缘感知分支。在BHRN的基础上，我们构建了一个双任务互学习（DTML）框架。
TPAMI 2024 | 人体运动生成：一项综述研究
小白学视觉
07-31 972
人类动作生成旨在生成自然的人姿势序列，并展示出对现实世界应用的巨大潜力。近年来，在运动数据收集技术和生成方法方面取得了实质性进展，为人类动作生成日益增长的兴趣奠定了基础。该领域的大多数研究侧重于基于条件信号生成人类动作，例如文本、音频和场景上下文。尽管近年来取得了显著进展，但由于人类动作的复杂性质及其与条件信号的隐式关系，该任务仍然面临挑战。在这篇综述中，我们提供了人类动作生成的综合文献回顾，据我们所知，这是该领域首次此类综述。
TPAMI 2024 | 基于锚点引导的快速聚类
小白学视觉
06-23 142
作者：Feiping Nie; Jingjing Xue; Weizhong Yu; Xuelong Li聚类旨在通过对象的内在性质将一组对象划分为不同组。现有方法多因各种正则化术语而引发的超参数问题难以处理，这降低了模型的适用性。此外，传统的图聚类方法总是面临高昂的时间成本。为此，我们提出了一种基于锚点引导的快速聚类模型（FCAG）。所提出的模型不仅避免了无需额外正则化术语的琐碎解决方案，而且通过利用二分图的先验知识，适合处理大规模问题。此外，所提出的FCAG还可以处理样本外扩展问题。我们提出了三种优化方
TPAMI 2024 | 三维视觉显著性：一个独立的感知度量还是二维图像显著性的衍生物？
小白学视觉
09-07 147
在计算机视觉和图形学领域，3D视觉显著性的研究已经取得了长足的进展，其目标是预测3D表面的区域重要性，以与人类视觉感知相一致。然而，最新的眼动追踪实验表明，现有的最先进3D视觉显著性方法在预测人类注视点方面表现不佳。这些实验中显著出现的线索表明，3D视觉显著性可能与2D图像显著性有关。
TPAMI 2024 | 面部识别系统对通过3D面部重建的模板反演攻击的全面脆弱性评估
小白学视觉
08-30 60
Comprehensive Vulnerability Evaluation of Face Recognition Systems to Template Inversion Attacks via 3D Face Reconstruction 面部识别系统对通过3D面部重建的模板反演攻击的全面脆弱性评估 Hatef Otroshi Shahreza and Sébastien Marcel 摘要 在本文中，我们全面评估了最新面部识别系统对使用3D面部重建的模板反演攻击的脆弱性。我们提出了一种新的方法（
TPAMI 2024 | 将季节性和太阳特性整合入使用卫星图像的NeRF架构生成的渲染图中
小白学视觉
07-30 795
本文提出了一种新的方法，将季节性和太阳角度特性整合入由神经辐射场（Neural Radiance Fields, NeRF）架构生成的渲染图中，该架构使用卫星图像进行训练。我们的主要挑战是创建一个能够独立于视点和太阳角度渲染季节特征的神经辐射场（NeRF），同时仍能渲染阴影。我们通过引入一个额外的输入变量——一年中的时间，教会网络渲染季节特征。然而，卫星图像典型的小训练数据集可能会在每个特定季节的每张图像中引入阴影时产生歧义。我们向损失函数中添加额外的项，以阻止网络使用季节特征来解释阴影。
TPAMI 2024 | 基于标签分布对齐的正无标记学习
小白学视觉
09-27 133
题目：Positive-Unlabeled Learning With Label Distribution Alignment 基于标签分布对齐的正无标记学习 作者：Yangbangyan Jiang; Qianqian Xu; Yunrui Zhao; Zhiyong Yang; Peisong Wen; Xiaochun Cao; Qingming Huang 摘要 在诸如医学诊断、异常分析和个性化广告等众多领域中，经常会出现只有正样本和未标记样本（Positive-Unlabeled, PU）的数
TPAMI 2024 | 学习接触势场以模拟手-物交互
小白学视觉
09-16 50
估计和合成手对物体的操控是理解人类行为的核心。为了准确模拟手和物体（称为“手-物体”）之间的交互，我们不仅需要关注手和物体的姿态，还要考虑它们之间的接触。这种接触为生成语义和物理上可信的抓取提供了有价值的信息。在本文中，我们提出了一种称为接触势场（CPF）的显式接触表示。在CPF中，我们将手-物体顶点对之间的接触模拟为弹簧-质量系统。该系统编码了顶点对的距离，以及该接触稳定的可能性。因此，多个伸展和压缩弹簧构成的系统形成了一个在最佳抓取位置具有最小能量的弹性势场。
[TPAMI 2022] 神经网络元学习：综述
sinat_38007523的博客
07-07 729
与使用固定学习算法从头开始解决任务的传统人工智能方法相反，元学习旨在根据多个学习片段的经验来改进学习算法本身。我们调查了元学习的有前景的应用和成功案例，例如小样本学习和强化学习。通常，元学习是对从任务族中采样的学习事件进行的，从而产生一种在从该族中采样的新任务上表现良好的基础学习算法。元学习已被证明在多任务场景中非常有用，在多任务场景中，从一系列任务中提取与任务无关的知识，并用于改进该系列中新任务的学习。元学习是提炼多个学习片段的经验（通常涵盖相关任务的分布）并利用这些经验来提高未来学习绩效的过程。
基于深度学习的不遗忘训练
weixin_42605076的博客
10-02 336
基于深度学习的不遗忘训练（也称为抗遗忘训练或持久性学习）是针对模型在学习新任务时可能会忘记已学习内容的一种解决方案。该方法旨在使深度学习模型在不断接收新信息的同时，保持对旧知识的记忆。
深度学习：DCGAN
Landy_Jay的博客
10-01 316
CDGAN（Deep Convolutional Generative Adversarial Networks），是GAN（Generative Adversarial Networks）的一种变体，它特别使用了卷积神经网络（CNNs）作为生成器和判别器的构建模块。DCGAN使用全卷积网络结构代替传统的池化层和全连接层。在生成器中采用转置卷积（也称为分数步长卷积或反卷积）来逐步增加图像的空间维度。在判别器中使用卷积层来逐步减少空间维度并提取特征。
基于Python的自然语言处理系列（19）：基于LSTM的语言模型实现
不想宅的冷同学
09-29 625
在本篇博文中，我们实现了一个基于LSTM的语言模型，探讨了其在自然语言处理中的重要性。通过对WikiText数据集的训练，我们了解了如何进行数据预处理、模型构建以及训练与评估过程。这一模型为理解语言生成打下了基础，也展示了如何使用PyTorch进行实际应用。随着对LSTM语言模型的深入理解，我们将在下一篇博文中转向更先进的Transformer模型及其在语言建模中的应用，期待与大家一同探讨Transformer如何提升自然语言处理的能力，并掌握束搜索等高效解码技术。希望继续激发大家对这一领域的热情与探索！
用于MRI重建的具有全局感受野的傅里叶卷积块|文献速递--基于多模态-半监督深度学习的病理学诊断与病灶分割
weixin_38594676的博客
09-26 988
在本研究中，我们提出了一种新颖的全局傅里叶卷积块（FCB），具有整个图像的感受野和较低的计算复杂度，通过将常规的空间域卷积转化为频率域实现。在本研究中，我们提出了一种新颖的全局傅里叶卷积块（FCB），具有整个图像的感受野和较低的计算复杂度，通过将常规的空间域卷积转化为频率域实现。这意味着，虽然傅里叶域中的卷积核 W 大小与输入相同，但它的空间对应物可以是一个大小为 K × K 的零填充卷积核，大小范围从 1 × 1 到输入大小 N × N 不等。顶部显示了8×加速的结果，底部显示了12×加速的结果。
《机器学习与深度学习：开启智能未来的钥匙》
OCR_wintone421的博客
09-26 912
它通过循环结构，将当前时刻的输入和上一时刻的输出作为当前时刻的输入，从而实现对序列数据的记忆和处理。DBN 算法通过逐层预训练的方式，有效地解决了深度学习模型的训练难题，为深度学习的发展带来了新的突破。深度学习模型具有强大的表达能力和学习能力，能够处理大规模、高维度的数据，并在图像识别、语音处理、自然语言处理等领域取得了显著的成就。在强化学习中，计算机通过不断地尝试不同的行动，并根据环境的反馈来调整自己的策略，以获得最大的奖励。然而，由于当时计算机硬件的限制和算法的复杂性，深度学习的发展一直比较缓慢。
深度学习500问——Chapter15：异构计算，GPU和框架选型（1）
不要给自己设限，尝试更多可能（思所向 皆可往）
09-26 1234
异构计算是基于一个更加朴素的概念，“异构现象”，也就是不同计算平台之间，由于硬件结构（包括计算核心和内存），指令集和底层软件实现等方面的不同而有着不同的特性。异构计算就是使用结合了两个或者多个不同的计算平台，并进行协同运算。比如，比较常见的，在深度学习和机器学习中已经比较成熟的架构：CPU和GPU的异构计算；此外还有比较新的Google推出的协处理器（TPU），根据目的而定制的ASIC，可编程的FPGA等也都是现在在异构计算中使用比较多的协处理器。
卷积神经网络（Convolutional Neural Networks, CNN）
最新发布
qq_34376868的博客
10-02 509
卷积神经网络（Convolutional Neural Networks, CNN）是深度学习领域中用于处理具有网格结构的输入（如图像和视频）的神经网络模型。
《深度学习》—— 神经网络中的数据增强
weixin_73504499的博客
09-24 1483
神经网络中的数据增强是一种通过增加训练数据的多样性和数量来提高模型泛化能力的技术。在神经网络训练过程中，尤其是在数据集较小的情况下，模型容易出现过拟合问题，即模型在训练数据上表现良好，但在未见过的数据上表现不佳。数据增强技术通过对原始数据进行一系列变换，生成新的数据样本，从而有效缓解这一问题。
深度学习中的结构化概率模型 - 学习依赖性的关系篇
绎岚科技的博客
10-02 474
在深度学习的探索之旅中，结构化概率模型以其独特的能力，在学习数据间复杂依赖关系方面展现出非凡的潜力。传统模型往往难以有效捕捉变量间错综复杂的相互作用，而结构化概率模型则通过引入结构化的先验知识，使得模型能够深入理解并建模这些依赖关系。这种能力对于处理现实世界中的复杂问题至关重要，如自然语言中的语义关联、图像中的空间布局、以及时间序列数据中的动态变化等。通过结构化建模，深度学习系统能够更准确地理解数据背后的规律，从而做出更加精准和可靠的预测与决策。
深度学习驱动的多模态人类动作识别：TPAMI 2022 年综述
《TPAMI 2022 不同数据模态的人类动作识别综述》是一篇深入研究了深度学习在人类动作识别中所扮演关键角色的文章，旨在为研究者和开发者提供一个全面的视角，帮助他们理解如何有效利用不同数据模态以提升人类动作...
评论
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

打赏作者

小白学视觉

您的赞赏是我们坚持下去的动力~

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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