[论文翻译]基于Slot Attention的物体中心学习

学习以物体为中心的复杂场景表示，是实现从低层次感知特征进行高效抽象推理的重要一步。然而，大多数深度学习方法学习的是分布式表示，无法捕捉自然场景的组合特性。本文提出Slot Attention模块，这一架构组件可与卷积神经网络输出等感知表示对接，并生成一组任务相关的抽象表示（我们称之为slot）。这些slot具有可交换性，通过多轮注意力竞争机制可动态绑定输入中的任意对象。实验表明，当用于无监督物体发现和监督属性预测任务时，Slot Attention提取的物体中心表示能够泛化至未见过的组合场景。