深度学习的空间认知挑战
计算机视觉与模式识别
2020-05-13 v2
摘要
鉴于深度卷积神经网络（DCNNs）在视觉识别与分类应用中的成功，检验 DCNNs 是否也能从这类概念多样的可视化示例中学习空间概念（如直、凸、左/右、前/后、相对大小、长宽比、多边形等）——这些概念简单却对空间推理至关重要——颇为诱人。令我们沮丧的是，认知心理学类型的广泛实验表明，数据驱动的深度学习（DL）无法看透视觉表征中的表面变化并抽象把握空间概念。失败的根本原因被证明是学习方法论，而非神经网络本身的计算模型。通过引入任务特定的卷积核，我们能够构建用于空间认知任务的 DCNNs，其可泛化至非取自训练集同分布的输入图像。本工作提出警示：若无人工引入的先验或特征，DCCNs 可能在初级层面失败于空间认知任务。
引用
@article{arxiv.1908.04396,
title = {Challenge of Spatial Cognition for Deep Learning},
author = {Xi Zhang and Xiaolin Wu and Jun Du},
journal= {arXiv preprint arXiv:1908.04396},
year = {2020}
}