MARC

 008260203s2023        us                              c    eng  d
■001000017365959
■00520260209102903
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798263394059
■035    ▼a(MiAaPQ)AAI32315563
■035    ▼a(MiAaPQ)GeorgiaTech73115
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a006
■1001  ▼aStojanov,  Stefan.
■24510▼aShape-Biased  Representations  for  Object  Category  Recognition
■260    ▼a[Sl]▼bGeorgia  Institute  of  Technology▼c2023
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2023
■300    ▼a121  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-05,  Section:  A.
■500    ▼aAdvisor:  Rehg,  James  M.;Hoffman,  Judy.
■5021  ▼aThesis  (Ph.D.)--Georgia  Institute  of  Technology,  2023.
■520    ▼aWhile  object  recognition  is  a  classical  problem  in  computer  vision  that  has  witnessed  incredible  progress  as  a  result  of  contemporary  deep  learning  research,  the  key  challenges  of  developing  systems  that  can  learn  object  categories  from  continually  arriving  data,  from  a  few  samples,  and  with  limited  supervision  still  remain.  In  this  dissertation,  we  aim  to  borrow  the  learning  strategy  of  shape  bias  and  environmental  bias  of  repetition,  both  of  which  are  observed  in  young  children,  and  apply  them  to  continual,  low-shot,  and  self-supervised  learning  of  objects  and  object  parts.  In  the  continual  learning  domain,  we  demonstrate  that  repetition  of  learned  concepts  significantly  ameliorates  catastrophic  forgetting.  For  low-shot  learning  we  develop  two  methods  for  learning  shape-biased  object  representations  with  decreasing  supervision  requirements:  based  on  learning  a  joint  image  and  3D  shape  metric  space  from  point  clouds,  and  by  self-supervised  learning  of  object  parts  from  multi-view  pixel  correspondences.  We  demonstrate  that  these  methods  of  introducing  a  shape  bias  improve  low-shot  category  recognition.  Last,  we  find  that  contrastive  learning  from  multi-view  images  allows  for  category-level  part  matching  with  performance  competitive  with  baselines  that  have  over  10  times  more  parameters,  while  being  trained  only  on  synthetic  data.  To  support  our  investigations,  we  present  two  synthetic  3D  object  datasets,  Toys200  and  Toys4K,  and  develop  a  series  of  highly  realistic  synthetic  data  rendering  systems  that  enable  real-world  generalization.
■590    ▼aSchool  code:  0078.
■650  4▼aDeep  learning
■650  4▼aFailure  analysis
■650  4▼aComputer  vision
■650  4▼aSchool  environment
■650  4▼aToys
■650  4▼aVisualization
■650  4▼aGeometry
■650  4▼aSemantics
■650  4▼aComputer  science
■650  4▼aEducational  leadership
■650  4▼aEducational  administration
■690    ▼a0800
■690    ▼a0984
■690    ▼a0449
■690    ▼a0514
■71020▼aGeorgia  Institute  of  Technology.
■7730  ▼tDissertations  Abstracts  International▼g87-05A.
■790    ▼a0078
■791    ▼aPh.D.
■792    ▼a2023
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17365959▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서