Vision Transformers Learn Gestalt-Like Figure-Ground Cues

研究人员调查了 Vision Transformers (ViTs) 如何从自然图像中学习类似格式塔的图形-背景线索。通过将线性探针拟合到 25 个 ViTs 的中间块表示，他们发现这些模型能够稳健地编码包围性和凸性。在自然图像上训练的探针可以泛化到分离这些线索的人工刺激，跨越多个模型。然而，对称性的编码是混合的，在均匀着色的区域出现，但在纹理区域不出现。这项研究表明，ViTs 可以从自然场景统计数据中学习图形-背景线索，使其成为研究感知组织机制的宝贵系统。 AI

影响 证明了 AI 模型可以从自然数据中学习复杂的感知组织原理，可能推动计算机视觉的发展。

排序理由 研究论文，详细介绍了 Vision Transformer 能力的发现。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.CV 阅读 →

• alphaXiv
• arXiv
• CatalyzeX
• DagsHub
• Gotit.pub
• Hugging Face
• Matthias Tangemann
• ScienceCast
• Vision Transformers

• 论文
• 模型发布

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →