Nuovo Framework Lorentz per la Segmentazione Semantica nello Spazio Iperbolico
È stato sviluppato un nuovo framework per la segmentazione semantica nello spazio iperbolico, che utilizza il modello Lorentz invece del meno efficace modello della sfera di Poincaré. Questo metodo indipendente dall'architettura facilita un'ottimizzazione stabile ed efficiente senza la necessità di ottimizzatori riemanniani, consentendo un'integrazione senza soluzione di continuità con le attuali architetture euclidee. La tecnica incorpora embedding testuali insieme a indizi semantici e visivi per aiutare a creare rappresentazioni gerarchiche a livello di pixel all'interno dello spazio Lorentz. Oltre alla segmentazione, il framework offre stima dell'incertezza, mappe di confidenza, rilevamento dei confini, recupero gerarchico e basato sul testo e capacità zero-shot, raggiungendo minimi generalizzati più piatti. Questo approccio risolve i problemi di instabilità numerica e le sfide computazionali riscontrate nelle precedenti tecniche di segmentazione iperbolica. La ricerca è stata pubblicata su arXiv con l'identificatore 2604.16836v1.
Fatti principali
- La segmentazione semantica nello spazio iperbolico consente una modellizzazione compatta della struttura gerarchica con quantificazione intrinseca dell'incertezza
- Gli approcci precedenti si basano prevalentemente sul modello della sfera di Poincaré, che soffre di instabilità numerica, problemi di ottimizzazione e sfide computazionali
- È stato proposto un nuovo framework di segmentazione semantica trattabile e indipendente dall'architettura nel modello iperbolico di Lorentz
- Il framework funziona sia per approcci di classificazione pixel-wise che per maschere
- Gli embedding testuali con indizi semantici e visivi guidano le rappresentazioni gerarchiche a livello di pixel nello spazio Lorentz
- L'approccio consente un'ottimizzazione stabile ed efficiente senza richiedere un ottimizzatore riemanniano
- Il framework si integra facilmente con le architetture euclidee esistenti
- Oltre alla segmentazione, l'approccio produce gratuitamente stima dell'incertezza, mappe di confidenza, delineazione dei confini, recupero gerarchico e basato sul testo e prestazioni zero-shot
Entità
Istituzioni
- arXiv