利用符号理论对场景图生成模型进行可扩展正则化
机器学习
2022-09-08 v1 人工智能
计算机视觉与模式识别
摘要
近来若干技术旨在通过融入背景知识来提升深度学习模型在场景图生成（SGG）上的性能。最先进的技术可分为两类：一类以亚符号方式将背景知识融入模型，另一类将背景知识以符号形式维护。尽管结果令人鼓舞，这两类技术均存在若干不足：第一类需要特定的、更为复杂的神经架构，增加了训练或推理成本；第二类在背景知识规模方面可扩展性有限。我们的工作提出了一种将符号背景知识注入神经SGG模型的正则化技术，克服了现有方法的局限。我们的技术是与模型无关的，在推理时不产生任何额外成本，并且可扩展到此前难以处理的背景知识规模。我们证明该技术能将最先进SGG模型的准确率提升至多33%。
引用
@article{arxiv.2209.02749,
title = {Scalable Regularization of Scene Graph Generation Models using Symbolic Theories},
author = {Davide Buffelli and Efthymia Tsamoura},
journal= {arXiv preprint arXiv:2209.02749},
year = {2022}
}