用于对象发现的旋转特征

人类认知中的绑定问题,即大脑如何在固定的神经连接网络中表示并连接对象,仍是激烈争论的主题。大多数在无监督设定下解决此问题的机器学习工作集中于基于槽的方法,由于其离散性质且难以表达不确定性,这可能具有局限性。最近,复杂自动编码器被提出作为一种替代方案,其学习连续且分布式的以对象为中心的表示。然而,它仅适用于简单的玩具数据。在本文中,我们提出旋转特征,即将复值特征推广到更高维度,以及一种从分布式表示中提取对象的新评估流程。此外,我们展示了我们的方法对预训练特征的适用性。这些进展共同使我们能够将分布式以对象为中心的表示从简单玩具数据扩展到真实世界数据。我们相信该工作推进了机器学习中解决绑定问题的新范式,并有可能启发该领域的进一步创新。