基于斯佩尔克物体推断的真实世界图像无监督分割
计算机视觉与模式识别
2022-07-26 v2 人工智能
摘要
真实世界图像的自监督、类别无关分割是计算机视觉中一个具有挑战性的开放问题。本文展示了如何通过借鉴认知科学中的斯佩尔克物体（Spelke Object）概念——一组共同运动的物理实体——从运动自监督中学习静态分组先验。我们引入了兴奋-抑制段提取网络（EISEN），该网络学习从基于运动的训练信号中提取静态场景的成对亲和力图。然后，EISEN 利用一种新颖的图传播与竞争网络从亲和力中生成分割片段。在训练过程中，经历相关运动的物体（如机器人手臂及其移动的物体）通过一个自举过程解耦：EISEN 解释掉它已经学会分割的物体的运动。我们证明，在具有挑战性的合成和真实世界机器人数据集上，EISEN 在自监督图像分割方面取得了当前最优水平的实质性改进。
引用
@article{arxiv.2205.08515,
title = {Unsupervised Segmentation in Real-World Images via Spelke Object Inference},
author = {Honglin Chen and Rahul Venkatesh and Yoni Friedman and Jiajun Wu and Joshua B. Tenenbaum and Daniel L. K. Yamins and Daniel M. Bear},
journal= {arXiv preprint arXiv:2205.08515},
year = {2022}
}
备注
25 pages, 10 figures