OrthoRF: esplorare l’ortogonalità nelle rappresentazioni centrate sugli oggetti

Abstract degli autori

Si ipotizza che la sincronia neurale aiuti il cervello a organizzare le scene visive in rappresentazioni strutturate di più oggetti. Nell’apprendimento automatico, i modelli basati sulla sincronia apprendono in modo analogo rappresentazioni centrate sugli oggetti, codificando il legame tra le parti nella fase di caratteristiche a valori complessi. Rotating Features (RF) realizza questa idea con attivazioni a valori vettoriali, codificando la presenza degli oggetti nelle magnitudini e l’appartenenza negli orientamenti. Proponiamo Orthogonal Rotating Features (OrthoRF), che impone l’ortogonalità nello spazio degli orientamenti di RF tramite una funzione di perdita basata sul prodotto interno e modifiche all’architettura. Il risultato è un allineamento delle fasi più netto e un raggruppamento più affidabile. Nelle valutazioni dell’individuazione non supervisionata degli oggetti, anche in presenza di oggetti sovrapposti e rumore e nei test fuori distribuzione, OrthoRF eguaglia o supera i modelli attuali, producendo al contempo rappresentazioni più interpretabili, ed elimina il clustering a posteriori richiesto da molti approcci basati sulla sincronia. A differenza dei modelli attuali, OrthoRF ricostruisce anche le parti occluse degli oggetti, segno di un raggruppamento più robusto in presenza di occlusioni. Nel complesso, l’ortogonalità si rivela un semplice ed efficace bias induttivo per l’apprendimento di rappresentazioni centrate sugli oggetti basato sulla sincronia.