利用对称性与群学习对象的单/多属性
计算机视觉与模式识别
2021-10-12 v1 人工智能
机器学习
摘要
属性与对象可以组合成多样的复合体。为建模这些概念的组合性本质，将它们学习为变换（如耦合与解耦）是一种良好选择。然而，复杂变换需满足特定原则以保证合理性。在此，我们首先提出一个此前被忽视的属性-对象变换原则：对称性。例如，将 peeled-apple 与属性 peeled 耦合应得到 peeled-apple，而从 apple 中解耦 peeled 仍应输出 apple。结合对称性，我们提出一个受群论启发的变换框架，即 SymNet。其由两个模块组成：耦合网络与解耦网络。我们采用深度神经网络实现 SymNet，并以群公理与对称性为目标以端到端范式训练它。随后，我们提出一种基于相对移动距离（RMD）的方法，利用属性变化而非属性模式本身来对属性进行分类。除单属性与对象的组合外，我们的 RMD 在结合属性相关性时也适用于多属性与对象的复杂组合。SymNet 可用于属性学习与组合零样本学习，并在四个广泛使用的基准上优于当前最优方法。代码见 https://github.com/DirtyHarryLYL/SymNet。
引用
@article{arxiv.2110.04603,
title = {Learning Single/Multi-Attribute of Object with Symmetry and Group},
author = {Yong-Lu Li and Yue Xu and Xinyu Xu and Xiaohan Mao and Cewu Lu},
journal= {arXiv preprint arXiv:2110.04603},
year = {2021}
}
备注
TPAMI, an extended version of SymNet (CVPR'20), a part of HAKE-Object. Code: https://github.com/DirtyHarryLYL/SymNet. arXiv admin note: substantial text overlap with arXiv:2004.00587