Object-Centric Learning Based on Grouped Discrete Representation
原文英文，约100词，阅读约需1分钟。发表于：。本研究解决了面向对象学习中由于特征当作单位而忽视其组成属性的问题，进而影响模型泛化能力的不足。我们提出了分组离散表示（GDR）方法，通过有序通道分组将特征分解为组合属性，并利用元组索引将这些属性组合成离散表示。实验表明，GDR在多个数据集上显著提升了Transformer和扩散基础的面向对象学习方法的性能，且视觉化结果显示其能够更好地捕捉对象的可分性。
本研究提出了一种分组离散表示（GDR）方法，旨在解决面向对象学习中对特征组成属性的忽视，从而提升模型的泛化能力。实验结果表明，GDR显著提高了基于Transformer和扩散的OCL方法的性能。
