我们是否已经完成了以对象为中心的学习？

以对象为中心的学习 (OCL) 旨在学习仅编码对象的表示，使其与场景中的其他对象或背景线索隔离。 这种方法支撑着各种目标，包括分布外 (OOD) 泛化、样本高效组合和结构化环境建模。 大多数研究都集中在开发无监督机制，将对象分离到表示空间中的离散槽位中，并使用无监督对象发现进行评估。然而，借助最近的样本高效分割模型，我们可以在像素空间中分离对象并独立编码它们。这在 OOD 对象发现基准上实现了卓越的零样本性能，可扩展到基础模型，并且可以开箱即用地处理可变数量的槽位。因此，OCL 方法获得以对象为中心的表示的目标已基本实现。尽管取得了这一进展，但仍存在一个关键问题：场景中分离对象的能力如何促进更广泛的 OCL 目标，例如 OOD 泛化？我们通过 OCL 的视角来解决由虚假背景线索引起的 OOD 泛化挑战。我们提出了一个新颖的、无需训练的探针，称为应用掩码的以对象为中心的分类 (OCCAM)，证明了基于分割的单个对象编码明显优于基于槽位的 OCL 方法。然而，现实世界应用中的挑战仍然存在。我们为 OCL 社区提供了工具箱，以使用可扩展的以对象为中心的表示，并专注于实际应用和基本问题，例如理解人类认知中的对象感知。我们的代码可在 https://github.com/AlexanderRubinstein/OCCAM{here} 获取。