論文の概要: A Learning-based Optimization Algorithm:Image Registration Optimizer
Network
- arxiv url: http://arxiv.org/abs/2011.11365v1
- Date: Mon, 23 Nov 2020 12:44:52 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-22 02:19:42.437158
- Title: A Learning-based Optimization Algorithm:Image Registration Optimizer
Network
- Title(参考訳): 学習に基づく最適化アルゴリズム:画像登録最適化ネットワーク
- Authors: Jia Wang, Ping Wang, Biao Li, Yinghui Gao, and Siyi Zhao
- Abstract要約: 画像ベースナビゲーションシステムには,画像登録が有用である。
本稿では,画像登録ネットワーク(IRON)という新しい学習アルゴリズムを提案する。
- 参考スコア(独自算出の注目度): 9.598549379529079
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Remote sensing image registration is valuable for image-based navigation
system despite posing many challenges. As the search space of registration is
usually non-convex, the optimization algorithm, which aims to search the best
transformation parameters, is a challenging step. Conventional optimization
algorithms can hardly reconcile the contradiction of simultaneous rapid
convergence and the global optimization. In this paper, a novel learning-based
optimization algorithm named Image Registration Optimizer Network (IRON) is
proposed, which can predict the global optimum after single iteration. The IRON
is trained by a 3D tensor (9x9x9), which consists of similar metric values. The
elements of the 3D tensor correspond to the 9x9x9 neighbors of the initial
parameters in the search space. Then, the tensor's label is a vector that
points to the global optimal parameters from the initial parameters. Because of
the special architecture, the IRON could predict the global optimum directly
for any initialization. The experimental results demonstrate that the proposed
algorithm performs better than other classical optimization algorithms as it
has higher accuracy, lower root of mean square error (RMSE), and more
efficiency. Our IRON codes are available for further
study.https://www.github.com/jaxwangkd04/IRON
- Abstract(参考訳): リモートセンシング画像登録は、多くの課題があるにもかかわらず、画像ベースのナビゲーションシステムにとって有用である。
登録の探索空間は通常凸でないため、最適な変換パラメータを探索することを目的とした最適化アルゴリズムは難しいステップである。
従来の最適化アルゴリズムでは、同時収束とグローバル最適化の矛盾をほとんど解決できない。
本稿では,画像登録最適化ネットワーク(IRON)という,学習に基づく新しい最適化アルゴリズムを提案する。
鉄は、同様の計量値からなる3次元テンソル(9x9x9)によって訓練される。
3次元テンソルの要素は、探索空間の初期パラメータの9x9x9近傍に対応する。
次にテンソルのラベルは、初期パラメータから大域的な最適パラメータを示すベクトルである。
特別なアーキテクチャのため、IRONは任意の初期化に対してグローバルな最適化を直接予測することができた。
実験の結果,提案アルゴリズムは他の古典的最適化アルゴリズムよりも高い精度,平均二乗誤差 (RMSE) の低根,効率の向上が示された。
我々のIRONコードは、さらに研究することができる。https://www.github.com/jaxwangkd04/IRON
関連論文リスト
- A Multi-objective Newton Optimization Algorithm for Hyper-Parameter
Search [0.0]
このアルゴリズムを用いて畳み込みニューラルネットワークの多クラス物体検出問題に対する最適確率しきい値(8パラメータのベクトル)を探索する。
このアルゴリズムは、デフォルト値0.5に比べて総合的に高い真正(TP)と低い偽正(FP)率を生成する。
論文 参考訳(メタデータ) (2024-01-07T21:12:34Z) - Stochastic Optimal Control Matching [53.156277491861985]
最適制御のための新しい反復拡散最適化(IDO)技術である最適制御マッチング(SOCM)を導入する。
この制御は、一致するベクトル場に適合しようとすることで、最小二乗問題を通じて学習される。
実験により,本アルゴリズムは最適制御のための既存のすべての IDO 手法よりも低い誤差を実現する。
論文 参考訳(メタデータ) (2023-12-04T16:49:43Z) - ELRA: Exponential learning rate adaption gradient descent optimization
method [83.88591755871734]
我々は, 高速(指数率), ab initio(超自由)勾配に基づく適応法を提案する。
本手法の主な考え方は,状況認識による$alphaの適応である。
これは任意の次元 n の問題に適用でき、線型にしかスケールできない。
論文 参考訳(メタデータ) (2023-09-12T14:36:13Z) - Learning to Optimize Quasi-Newton Methods [22.504971951262004]
本稿では、最適化時に最適な事前条件をオンラインで学習するLODOと呼ばれる新しい機械学習を提案する。
他のL2Oメソッドとは異なり、LODOはトレーニングタスクの配布にメタトレーニングを一切必要としない。
この勾配は, 雑音場における逆 Hessian を近似し, 幅広い逆 Hessian を表現可能であることを示す。
論文 参考訳(メタデータ) (2022-10-11T03:47:14Z) - Faster Optimization on Sparse Graphs via Neural Reparametrization [15.275428333269453]
グラフニューラルネットワークは,10-100倍の係数で最適化を高速化する,効率的な準ニュートン法を実装可能であることを示す。
本稿では, 熱拡散, 同期, 持続的ホモロジーなどの科学的問題に対する本手法の適用について述べる。
論文 参考訳(メタデータ) (2022-05-26T20:52:18Z) - ZARTS: On Zero-order Optimization for Neural Architecture Search [94.41017048659664]
微分可能なアーキテクチャサーチ (DARTS) は、NASの高効率性のため、一般的なワンショットパラダイムである。
この作業はゼロオーダーの最適化に変わり、上記の近似を強制せずに探索するための新しいNASスキームであるZARTSを提案する。
特に、12ベンチマークの結果は、DARTSの性能が低下するZARTSの顕著な堅牢性を検証する。
論文 参考訳(メタデータ) (2021-10-10T09:35:15Z) - Optimizing Optimizers: Regret-optimal gradient descent algorithms [9.89901717499058]
我々は,後悔最適アルゴリズムの存在,一意性,一貫性について検討する。
制御問題に対する一階最適条件を提供することにより、後悔最適アルゴリズムはそれらの力学において特定の構造を満たす必要があることを示す。
それらを近似する高速な数値法を提案し,長期的後悔を直接最適化する最適化アルゴリズムを生成する。
論文 参考訳(メタデータ) (2020-12-31T19:13:53Z) - Human Body Model Fitting by Learned Gradient Descent [48.79414884222403]
画像に3次元の人体形状を適合させる新しいアルゴリズムを提案する。
このアルゴリズムは高速(約120ms収束)で、データセットに頑健であり、公開評価データセットの最先端結果が得られることを示す。
論文 参考訳(メタデータ) (2020-08-19T14:26:47Z) - A Primer on Zeroth-Order Optimization in Signal Processing and Machine
Learning [95.85269649177336]
ZO最適化は、勾配推定、降下方向、ソリューション更新の3つの主要なステップを反復的に実行する。
我々は,ブラックボックス深層学習モデルによる説明文の評価や生成,効率的なオンラインセンサ管理など,ZO最適化の有望な応用を実証する。
論文 参考訳(メタデータ) (2020-06-11T06:50:35Z) - Self-Directed Online Machine Learning for Topology Optimization [58.920693413667216]
自己指向型オンライン学習最適化は、ディープニューラルネットワーク(DNN)と有限要素法(FEM)計算を統合している。
本アルゴリズムは, コンプライアンスの最小化, 流体構造最適化, 伝熱促進, トラス最適化の4種類の問題によって検証された。
その結果, 直接使用法と比較して計算時間を2~5桁削減し, 実験で検証した全ての最先端アルゴリズムより優れていた。
論文 参考訳(メタデータ) (2020-02-04T20:00:28Z)
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。