본 논문은 객체 중심 학습(OCL)에서 객체를 배경이나 다른 객체와 분리하여 표현하는 방법을 연구합니다. 기존 연구는 주로 비지도 학습 방식으로 객체를 분리하는 데 초점을 맞췄지만, 본 논문은 샘플 효율적인 분할 모델을 이용하여 픽셀 공간에서 객체를 분리하고 독립적으로 인코딩하는 방법을 제시합니다. 이를 통해 OOD 객체 발견 벤치마크에서 뛰어난 제로샷 성능을 달성하고, 기초 모델에 확장 가능하며, 변수 개수의 슬롯을 처리할 수 있음을 보여줍니다. 하지만 객체 분리가 OOD 일반화와 같은 더 넓은 OCL 목표에 어떻게 기여하는지는 여전히 중요한 질문입니다. 본 논문은 배경의 스퓨리어스 큐(spurious background cues)로 인한 OOD 일반화 문제를 OCL 관점에서 조사하고, 마스크를 적용한 객체 중심 분류(OCCAM)라는 새로운 훈련 없는 프로브를 제안하여 분할 기반 객체 인코딩이 슬롯 기반 OCL 방법보다 훨씬 우수함을 보여줍니다. 실제 응용 프로그램의 어려움과 더불어, 확장 가능한 객체 중심 표현을 위한 도구 상자를 제공하고, 인지 과정에서의 객체 인식과 같은 실제 응용 및 기본적인 질문에 초점을 맞춥니다.
