論文の概要: Fast Convex Relaxations using Graph Discretizations

• arxiv url: http://arxiv.org/abs/2004.11075v2
• Date: Fri, 11 Sep 2020 11:42:38 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-10 10:14:47.111054
• Title: Fast Convex Relaxations using Graph Discretizations
• Title（参考訳）: グラフ離散化を用いた高速凸緩和
• Authors: Jonas Geiping, Fjedor Gaede, Hartmut Bauermeister and Michael Moeller
• Abstract要約: マッチングと視覚問題はコンピュータ・コンピューティング・アプリケーションの基本である。 応用技術は、実用的な応用においてその実現可能性を減らすための重要な計算努力が伴う。 このセットアップにより、SLICやCut-Pursuitによって構築された問題に忠実に取り組むことができます。
• 参考スコア（独自算出の注目度）: 13.977100716044102
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Matching and partitioning problems are fundamentals of computer vision applications with examples in multilabel segmentation, stereo estimation and optical-flow computation. These tasks can be posed as non-convex energy minimization problems and solved near-globally optimal by recent convex lifting approaches. Yet, applying these techniques comes with a significant computational effort, reducing their feasibility in practical applications. We discuss spatial discretization of continuous partitioning problems into a graph structure, generalizing discretization onto a Cartesian grid. This setup allows us to faithfully work on super-pixel graphs constructed by SLIC or Cut-Pursuit, massively decreasing the computational effort for lifted partitioning problems compared to a Cartesian grid, while optimal energy values remain similar: The global matching is still solved near-globally optimal. We discuss this methodology in detail and show examples in multi-label segmentation by minimal partitions and stereo estimation, where we demonstrate that the proposed graph discretization can reduce runtime as well as memory consumption of convex relaxations of matching problems by up to a factor of 10.
• Abstract（参考訳）: マッチングと分割問題はコンピュータビジョンアプリケーションの基本であり、マルチラベルセグメンテーション、ステレオ推定、光フロー計算などの例がある。 これらのタスクは、非凸エネルギー最小化問題として提起され、最近の凸持ち上げアプローチによってほぼグローバルに最適である。 しかし、これらの手法の適用は、実用的な応用における実現可能性を減らすために、かなりの計算努力が伴う。 連続分割問題の空間的離散化をグラフ構造に議論し、カルト格子への離散化を一般化する。 この設定により、slicまたはcut-pursuitによって構築された超ピクセルグラフに対して忠実に作業することができ、直交格子と比較してリフトされた分割問題に対する計算労力が大幅に減少する一方、最適エネルギー値は相変わらず同じである:グローバルマッチングは、ほぼグローバルに最適である。 この手法を詳細に検討し,最小分割とステレオ推定によるマルチラベルセグメンテーションの例を示し,提案するグラフの離散化により実行時間を削減し,マッチング問題の凸緩和のメモリ消費を最大10倍に削減できることを示す。

関連論文リスト

• A Quantum Optimization Method for Geometric Constrained Image Segmentation [1.190902280324485]
  量子画像処理は、量子コンピューティングと画像処理コミュニティの両方から注目を集めている分野である。 問題指向グラフの最適表面分割とハイブリッド量子古典最適化のためのグラフ理論アプローチを組み合わせた新しい手法を提案する。 本研究は, 医用画像解析における重要な応用である, 画像分割問題における量子プロセッサの利用について検討する。
  論文  参考訳（メタデータ） (2023-10-31T03:41:21Z)
• Representing Edge Flows on Graphs via Sparse Cell Complexes [6.74438532801556]
  本稿では, フロー表現学習問題,すなわち, 観測されたグラフをセルの集合で拡張する問題を紹介する。 この問題はNPハードであり,その解に対する効率的な近似アルゴリズムを導入している。
  論文  参考訳（メタデータ） (2023-09-04T14:30:20Z)
• One-step Bipartite Graph Cut: A Normalized Formulation and Its Application to Scalable Subspace Clustering [56.81492360414741]
  両部グラフの1ステップ正規化カットを、特に線形時間複雑性で実施する方法を示す。 本稿では、まず、正規化制約付き一段階二分グラフカット基準を特徴付けるとともに、そのトレース問題に対する等価性を理論的に証明する。 このカット基準を、適応アンカー学習、二部グラフ学習、一段階正規化二部グラフ分割を同時にモデル化するスケーラブルなサブスペースクラスタリングアプローチに拡張する。
  論文  参考訳（メタデータ） (2023-05-12T11:27:20Z)
• Localized Contrastive Learning on Graphs [110.54606263711385]
  局所グラフコントラスト学習(Local-GCL)という,シンプルだが効果的なコントラストモデルを導入する。 その単純さにもかかわらず、Local-GCLは、様々なスケールと特性を持つグラフ上の自己教師付きノード表現学習タスクにおいて、非常に競争力のある性能を達成する。
  論文  参考訳（メタデータ） (2022-12-08T23:36:00Z)
• Approximate Decomposable Submodular Function Minimization for Cardinality-Based Components [30.33731479053404]
  限られたサポートの単純な部分モジュラ関数の和を最小化することは、機械学習に多くの応用がある。 我々は、和の成分が濃度ベースである場合の高速な手法を開発し、入力集合のサイズにのみ依存する。 この問題に対する最初の近似アルゴリズムを開発し、この近似はスパースグラフカット問題への還元により迅速に計算できる。
  論文  参考訳（メタデータ） (2021-10-28T02:36:55Z)
• Multilayer Graph Clustering with Optimized Node Embedding [70.1053472751897]
  多層グラフクラスタリングは、グラフノードをカテゴリまたはコミュニティに分割することを目指しています。 与えられた多層グラフの層をクラスタリングに親しみやすい埋め込みを提案する。 実験の結果,本手法は著しい改善をもたらすことがわかった。
  論文  参考訳（メタデータ） (2021-03-30T17:36:40Z)
• LCS Graph Kernel Based on Wasserstein Distance in Longest Common Subsequence Metric Space [22.215852332444904]
  パスとウォークのより包括的類似性を計算するグラフカーネルを提案する。 また、グラフのより深い特徴を抽出するために、最適輸送理論と組み合わせる。 提案手法は多くの最先端グラフカーネル手法に勝る。
  論文  参考訳（メタデータ） (2020-12-07T11:59:14Z)
• Multilayer Clustered Graph Learning [66.94201299553336]
  我々は、観測された層を代表グラフに適切に集約するために、データ忠実度用語として対照的な損失を用いる。 実験により,本手法がクラスタクラスタw.r.tに繋がることが示された。 クラスタリング問題を解くためのクラスタリングアルゴリズムを学習する。
  論文  参考訳（メタデータ） (2020-10-29T09:58:02Z)
• Boosting Data Reduction for the Maximum Weight Independent Set Problem Using Increasing Transformations [59.84561168501493]
  最大重み独立集合問題に対する新しい一般化データ削減および変換規則を導入する。 驚くべきことに、これらのいわゆる増進変換は問題を単純化し、還元空間を開き、アルゴリズムの後にさらに小さな既約グラフが得られる。 提案アルゴリズムは, 1つのインスタンスを除くすべての既約グラフを計算し, 従来よりも多くのインスタンスを最適に解き, 最高の最先端解法よりも最大2桁高速に解き, 解法DynWVCやHILSよりも高品質な解を求める。
  論文  参考訳（メタデータ） (2020-08-12T08:52:50Z)
• Robust Submodular Minimization with Applications to Cooperative Modeling [0.0]
  本稿では,制約を考慮したロバストな部分モジュラー最小化問題について検討する。 制約付き部分モジュラー最小化は、画像セグメンテーションにおける協調的カット、画像対応における協調的マッチングなど、いくつかの応用で発生する。
  論文  参考訳（メタデータ） (2020-01-25T20:40:37Z)
• Graph Ordering: Towards the Optimal by Learning [69.72656588714155]
  グラフ表現学習は、ノード分類、予測、コミュニティ検出など、多くのグラフベースのアプリケーションで顕著な成功を収めている。 しかし,グラフ圧縮やエッジ分割などのグラフアプリケーションでは,グラフ表現学習タスクに還元することは極めて困難である。 本稿では,このようなアプリケーションの背後にあるグラフ順序付け問題に対して,新しい学習手法を用いて対処することを提案する。
  論文  参考訳（メタデータ） (2020-01-18T09:14:16Z)

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。