ترجمه فارسی مقاله آموزش بازنمایی شی محور صفر شات

چکیده

The goal of object-centric representation learning is to decompose visual scenes into a structured representation that isolates the entities. Recent successes have shown that object-centric representation learning can be scaled to real-world scenes by utilizing pre-trained self-supervised features. However, so far, object-centric methods have mostly been applied in-distribution, with models trained and evaluated on the same dataset. This is in contrast to the wider trend in machine learning towards general-purpose models directly applicable to unseen data and tasks. Thus, in this work, we study current object-centric methods through the lens of zero-shot generalization by introducing a benchmark comprising eight different synthetic and real-world datasets. We analyze the factors influencing zero-shot performance and find that training on diverse real-world images improves transferability to unseen scenarios. Furthermore, inspired by the success of task-specific fine-tuning in foundation models, we introduce a novel fine-tuning strategy to adapt pre-trained vision encoders for the task of object discovery. We find that the proposed approach results in state-of-the-art performance for unsupervised object discovery, exhibiting strong zero-shot transfer to unseen datasets.

چکیده به فارسی (ترجمه ماشینی)

هدف از یادگیری بازنمایی شیء محور تجزیه صحنه های بصری به یک نمایش ساختاری است که نهادها را جدا می کند.موفقیت های اخیر نشان داده است که یادگیری بازنمایی شیء محور می تواند با استفاده از ویژگی های خود تحت نظارت از قبل آموزش دیده ، به صحنه های دنیای واقعی تقسیم شود.با این حال ، تاکنون ، روشهای محور شیء بیشتر در توزیع در قطعی اعمال شده است ، با مدل های آموزش دیده و در همان مجموعه داده ارزیابی شده است.این برخلاف روند وسیع تری در یادگیری ماشین به سمت مدلهای هدف کلی است که به طور مستقیم برای داده ها و وظایف غیب اعمال می شود.بنابراین ، در این کار ، ما روشهای شیء محور فعلی را از طریق لنز تعمیم صفر با معرفی یک معیار متشکل از هشت مجموعه داده مصنوعی و واقعی در دنیای واقعی بررسی می کنیم.ما عوامل مؤثر بر عملکرد صفر را تجزیه و تحلیل می کنیم و می دانیم که آموزش بر روی تصاویر متنوع در دنیای واقعی ، قابلیت انتقال به سناریوهای غیب را بهبود می بخشد.علاوه بر این ، با الهام از موفقیت تنظیم دقیق کار در مدل های بنیادی ، ما یک استراتژی تنظیم خوب جدید را برای تطبیق رمزگذارهای دید از پیش آموزش داده شده برای وظیفه کشف شیء معرفی می کنیم.ما می دانیم که رویکرد پیشنهادی منجر به عملکرد پیشرفته برای کشف شیء بدون نظارت می شود و انتقال صفر قوی را به مجموعه داده های غیب نشان می دهد.