可供性标注与探索：一种基于流形的方法

计算能力的进步显著缩短了深度学习的训练时间，促进了用于物体识别的网络的快速发展。然而，与物体识别相对的物体功用（即物体的可供性）的探索，受到的关注相对较少。本工作聚焦于使用在物体分类数据集上训练的现有网络来探索物体可供性的问题。虽然预训练网络已被证明在分类任务的迁移学习中很有帮助，但本工作偏离了传统的物体分类方法。相反，它采用预训练网络来辨别可供性标签，无需专门的层，也避免通过添加分类层来修改最终层。为了在不进行此类修改的情况下确定可供性标签，我们测试了两种方法，即子空间聚类和流形曲率方法。这些方法为可供性标签识别提供了独特的视角。特别是，流形曲率方法已在九个不同的预训练网络上成功测试，每个网络的准确率均超过95%。此外，我们观察到，流形曲率和子空间聚类方法探索出的可供性标签并未在真实标记中标注，但物体在各种情况下确实提供了这些可供性。