槽位对比网络：一种表征物体的对比方法
机器学习
2020-07-21 v1 计算机视觉与模式识别
机器学习
摘要
从无级视觉数据无监督地提取物体是机器学习进一步发展的一个重要目标。现有无标签表征物体的方法使用带静态图像的结构化生成模型。这些方法将大量容量用于重建不重要的背景像素，从而漏掉低对比度或小物体。相反，我们提出一种新方法，避免在像素空间中的损失以及对静态图像所提供的有限信号的过度依赖。我们的方法利用物体的运动，通过在槽位表征空间中学习判别性的时间对比损失，试图迫使每个槽位不仅捕获运动的实体，而且与其他槽位捕获不同的物体。此外，我们引入一种新的定量评估指标来衡量一组槽位向量的“多样性”，并用它在 20 个 Atari 游戏上评估我们的模型。
引用
@article{arxiv.2007.09294,
title = {Slot Contrastive Networks: A Contrastive Approach for Representing Objects},
author = {Evan Racah and Sarath Chandar},
journal= {arXiv preprint arXiv:2007.09294},
year = {2020}
}
备注
Presented at ICML 2020 Workshop: Object-Oriented Learning (OOL): Perception, Representation, and Reasoning