具有可学习深度先验的空间混合模型用于知觉分组
机器学习
2019-04-30 v2 机器学习
摘要
人类以结构化与组合化的方式感知看似混乱的世界，其前提是能够将概念实体从复杂视觉场景中分离出来。将场景基本视觉元素分组为概念实体的机制被称为知觉分组。本文提出一种用于知觉分组的具有可学习先验的新型空间混合模型。与现有方法不同，所提方法将对象的属性解耦为“形状”和“外观”，分别由混合权重和混合分量建模。更具体地，视觉场景中的每个对象由一个潜表示完整刻画，该表示进而通过两个神经网络转换为混合权重和混合分量的参数。混合权重侧重于建模空间依赖关系（即形状），混合分量处理对象内变化（即外观）。此外，背景被单独建模为对前景对象互补的特殊分量。我们在两个知觉分组数据集上的广泛实证测试表明，在大多数实验配置下所提方法优于最先进的方法。学到的概念实体可泛化至新颖视觉场景，且对对象多样性不敏感。代码见 https://github.com/jinyangyuan/learnable-deep-priors。
引用
@article{arxiv.1902.02502,
title = {Spatial Mixture Models with Learnable Deep Priors for Perceptual Grouping},
author = {Jinyang Yuan and Bin Li and Xiangyang Xue},
journal= {arXiv preprint arXiv:1902.02502},
year = {2019}
}
备注
AAAI 2019