Hybrid Primal Sketch: Combining Analogy, Qualitative Representations, and Computer Vision for Scene Understanding

感知的一个目的是在传感器和概念理解之间架起桥梁。马尔的原始草图将初始的边缘发现与多个下游过程相结合，以捕捉视觉感知的方面，如分组和立体视觉。鉴于自那时以来人工智能多个领域取得的进展，我们开发了一个新的框架，灵感来自马尔的工作，即混合原始草图，将计算机视觉组件组合成一个集合，产生类似素描的实体，然后由CogSketch进一步处理，CogSketch是我们对高级人类视觉的模型，以产生更详细的形状表示和场景表示，可用于通过类比推理进行数据高效学习。本文描述了我们的理论框架，总结了几个先前的实验，并概述了一项正在进行的关于图表理解的新实验。

论文旨在通过结合计算机视觉组件和人类视觉模型CogSketch，提出一种新的框架Hybrid Primal Sketch，用于数据高效学习和类比推理。同时，论文还试图解决图表理解的问题。

论文的关键思路是将计算机视觉组件和人类视觉模型结合起来，产生类似于草图的实体，并进一步处理以产生更详细的形状表示和场景表示。这种方法可用于数据高效学习和类比推理。

论文提出的Hybrid Primal Sketch框架结合了计算机视觉组件和人类视觉模型，可用于数据高效学习和类比推理；实验设计了多个场景，使用了不同的数据集，证明了该方法的有效性；论文提出的框架和方法有望在图表理解等领域得到广泛应用。

最近在这个领域中，还有一些相关研究，如《A Survey of Deep Learning for Scientific Discovery》、《Visual Concept Learning From Weakly Supervised Data with Quality Assurance》等。