基于相位相关网络的无监督图像分解
计算机视觉与模式识别
2022-01-11 v3 机器学习
摘要
将场景分解为其物体组件的能力是自主智能体所期望的属性，使其能够在周围环境中推理与行动。近来，人们提出了不同方法以无监督方式从数据中学习以物体为中心的表示。这些方法通常依赖于由深度神经网络学习的潜表示，因此需要高计算成本与大量策展数据。此类模型也难以解释。为应对这些挑战，我们提出相位相关分解网络（PCDNet），一种将场景分解为其物体组件的新模型，这些组件表示为一组所学物体原型的变换版本。PCDNet 的核心构建模块是相位相关单元（PC Cell），其利用图像的频率域表示来估计物体原型与其在图像中变换版本之间的变换。在我们的实验中，我们展示了 PCDNet 如何在简单基准数据集和更具挑战性的数据上超越无监督物体发现与分割的 SOTA 方法，同时使用少量可学习参数且完全可解释。
引用
@article{arxiv.2110.03473,
title = {Unsupervised Image Decomposition with Phase-Correlation Networks},
author = {Angel Villar-Corrales and Sven Behnke},
journal= {arXiv preprint arXiv:2110.03473},
year = {2022}
}