我们提出了一个高效的感知推理框架，可以对输入和特征的分割进行明确推理。这个框架不是训练进行任何具体分割，它以一种无监督方式或伴随任何监督任务学习处理 grouping process。我们能让一个神经网络通过一种可微分机制、以一种交互方式对不同目标表征进行聚合。通过让系统分摊聚合及其表征的联合迭代推理，我们实现了非常快速的收敛。与许多其他最近提出的用于解决多个对象场景的方法相比，我们的系统没有假设输入是图像，因此可以直接处理其他模态。我们评估了这个方法在非常杂乱的图像上的多数位分类（这需要纹理聚类）的结果。通过利用聚类机制，我们的方法显著改善了卷积网络上的分类结果，尽管是完全连接的。而且，我们观察到系统大幅改善了作为基线的梯形网络在我们数据组上的半监督结果。这些结果证明分组是一个有助于改善取样效率的强大工具。

©本文为魏秀参授权机器之心转载并编译，转载请联系本公众号获得授权。

　　?------------------------------------------------

加入机器之心（全职记者/实习生）：[email protected]

投稿或寻求报道：[email protected]

广告&商务合作：[email protected]