image: The colored dots in the figure show estimated coordinates of the centers of some of the viewlets in our motorbike SUVM. Each viewlet representation is a composite of example views/patches that have similar appearances. view more
Credit: Image courtesy of Lichao Chen, Tianyi Wang, and Vwani Roychowdhury (University of California, Los Angeles).
一项研究说，科研人员受到大脑如何处理图像的假说的启发，开发出了一个自动化的框架，用于视觉发现和物体类别的识别。多数现有的物体识别程序依赖于有监督的算法训练，对数以百计的图像使用边界框或对象标注。然而，人类大脑能在各种环境下识别物体而不需要重复训练。Thomas Kailath、Vwani Roychowdhury及其同事受到大脑的无监督学习能力的启发，把大脑很可能用来进行视觉识别的基本计算原理纳入其中，开发出了关于各种物体的结构无监督小视图模型（SUVMs） 这组作者开发出了一系列的小视图（viewlets），这是以不同姿势或方向描绘物体各部分的图像，再加上这些图如何拼合起来从而创造出整个物体的一个空间图。这组作者在两个现有的视觉数据集合中测试了这些结构无监督小视图模型（SUVMs） 面部与人类结构无监督小视图模型（SUVMs）正确地识别出了人脸而没有假阳性结果。飞机结构无监督小视图模型（SUVMs）的表现稍差，这组作者把这个结果归因于给出的训练图像数量相对较少。这组作者说，向小视图加入相对概率可能增加这些模型的灵敏度，这些模型可能有潜力用于视频。
###
Journal
Proceedings of the National Academy of Sciences