論文の概要: Deep Graph Matching via Blackbox Differentiation of Combinatorial Solvers

• arxiv url: http://arxiv.org/abs/2003.11657v2
• Date: Wed, 5 Aug 2020 10:15:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2022-12-20 02:56:41.509738
• Title: Deep Graph Matching via Blackbox Differentiation of Combinatorial Solvers
• Title（参考訳）: 組合せ解のブラックボックス微分による深部グラフマッチング
• Authors: Michal Rol\'inek, Paul Swoboda, Dominik Zietlow, Anselm Paulus, V\'it Musil, and Georg Martius
• Abstract要約: 本稿では,未修正の解法を含むディープグラフマッチングのためのエンドツーエンドのトレーニング可能なアーキテクチャを提案する。 我々はキーポイント対応のためのディープグラフマッチングベンチマークの最先端を推し進める。
• 参考スコア（独自算出の注目度）: 37.802665409279854
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Building on recent progress at the intersection of combinatorial optimization and deep learning, we propose an end-to-end trainable architecture for deep graph matching that contains unmodified combinatorial solvers. Using the presence of heavily optimized combinatorial solvers together with some improvements in architecture design, we advance state-of-the-art on deep graph matching benchmarks for keypoint correspondence. In addition, we highlight the conceptual advantages of incorporating solvers into deep learning architectures, such as the possibility of post-processing with a strong multi-graph matching solver or the indifference to changes in the training setting. Finally, we propose two new challenging experimental setups. The code is available at https://github.com/martius-lab/blackbox-deep-graph-matching
• Abstract（参考訳）: 組合せ最適化と深層学習の交点における最近の進歩を基盤として,未修正組合せ解法を含む深部グラフマッチングのためのエンドツーエンドのトレーニング可能なアーキテクチャを提案する。 高度に最適化された組合せソルバの存在と、アーキテクチャ設計の改善により、キーポイント対応のためのディープグラフマッチングベンチマークを前進させる。 さらに,マルチグラフマッチングの強力なソルバによる後処理の可能性や,トレーニング環境の変化に対する無関心など,ディープラーニングアーキテクチャにソルバを組み込むことによる概念的メリットを強調する。 最後に,2つの新しい実験装置を提案する。 コードはhttps://github.com/martius-lab/blackbox-deep-graph-matchingで入手できる。

関連論文リスト

• Exact Combinatorial Optimization with Temporo-Attentional Graph Neural Networks [17.128882942475]
  本稿では,機械学習アルゴリズムの時間的特徴と注意点の2つの重要な側面について検討する。 分岐とバウンド(B&B)アルゴリズムにおける変数選択のタスクでは、時間情報と二部グラフの注意を組み込むことで、解法の性能が向上すると主張している。
  論文  参考訳（メタデータ） (2023-11-23T08:07:15Z)
• Unsupervised Deep Graph Matching Based on Cycle Consistency [28.896548387405897]
  我々は,教師なし深度グラフマッチングの疎密な領域と,画像のキーポイントマッチングへの応用に寄与する。 提案手法では,鍵点対間の真理対応は不要である。 同じ対象カテゴリの画像間のマッチングの一貫性を強制することで、自己教師される。
  論文  参考訳（メタデータ） (2023-07-18T02:35:01Z)
• Learning Universe Model for Partial Matching Networks over Multiple Graphs [78.85255014094223]
  2つまたは複数のグラフの部分的マッチングのための宇宙マッチングスキームを開発する。 不整合及び不整合検出のための微妙なロジックを、明確にモデル化することができる。 これは、2グラフマッチング、複数グラフマッチング、オンラインマッチング、混合グラフマッチングを同時に扱うことができる最初のディープラーニングネットワークである。
  論文  参考訳（メタデータ） (2022-10-19T08:34:00Z)
• Deep Probabilistic Graph Matching [72.6690550634166]
  本稿では,マッチング制約を伴わずに,元のQAPに適合する深層学習ベースのグラフマッチングフレームワークを提案する。 提案手法は,一般的な3つのベンチマーク(Pascal VOC,Wilow Object,SPair-71k)で評価され,すべてのベンチマークにおいて過去の最先端よりも優れていた。
  論文  参考訳（メタデータ） (2022-01-05T13:37:27Z)
• Joint Graph Learning and Matching for Semantic Feature Correspondence [69.71998282148762]
  本稿では,グラフマッチングを向上するための信頼度の高いグラフ構造を探索するために,GLAMという共用電子グラフ学習とマッチングネットワークを提案する。 提案手法は,3つの人気ビジュアルマッチングベンチマーク (Pascal VOC, Willow Object, SPair-71k) で評価される。 すべてのベンチマークにおいて、従来の最先端のグラフマッチング手法よりも大きなマージンを達成している。
  論文  参考訳（メタデータ） (2021-09-01T08:24:02Z)
• Combinatorial Optimization for Panoptic Segmentation: An End-to-End Trainable Approach [23.281726932718232]
  本稿では,同時セマンティクスとインスタンスセグメンテーションのためのエンドツーエンドのトレーニング可能なアーキテクチャを提案する。 提案手法は,大規模実世界の課題において,ディープラーニングと協調して最適化を用いることの有用性を示す。
  論文  参考訳（メタデータ） (2021-06-06T17:39:13Z)
• Learnable Graph Matching: Incorporating Graph Partitioning with Deep Feature Learning for Multiple Object Tracking [58.30147362745852]
  フレーム間のデータアソシエーションは、Multiple Object Tracking(MOT)タスクの中核にある。 既存の手法は、主にトラックレットとフレーム内検出の間のコンテキスト情報を無視する。 そこで本研究では,学習可能なグラフマッチング手法を提案する。
  論文  参考訳（メタデータ） (2021-03-30T08:58:45Z)
• Fusion Moves for Graph Matching [35.27002115682325]
  グラフマッチングとしても知られる二次代入問題に対する近似アルゴリズムに寄与する。 マルチラベル離散マルコフ確率場のための融合移動法の成功に触発され,グラフマッチングへの適用性を検討した。 本稿では,ラグランジュ二元法と効率的に組み合わせる方法について述べる。
  論文  参考訳（メタデータ） (2021-01-28T16:09:46Z)
• Deep Reinforcement Learning of Graph Matching [63.469961545293756]
  ノードとペアの制約下でのグラフマッチング(GM)は、最適化からコンピュータビジョンまでの領域におけるビルディングブロックである。 GMのための強化学習ソルバを提案する。 rgmはペアワイズグラフ間のノード対応を求める。 本手法は,フロントエンドの特徴抽出と親和性関数学習に焦点をあてるという意味において,従来のディープグラフマッチングモデルと異なる。
  論文  参考訳（メタデータ） (2020-12-16T13:48:48Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。