論文の概要: MeanShift++: Extremely Fast Mode-Seeking With Applications to
Segmentation and Object Tracking
- arxiv url: http://arxiv.org/abs/2104.00303v1
- Date: Thu, 1 Apr 2021 07:14:11 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-03 02:31:53.278529
- Title: MeanShift++: Extremely Fast Mode-Seeking With Applications to
Segmentation and Object Tracking
- Title（参考訳）: MeanShift++: セグメンテーションとオブジェクトトラッキングのアプリケーションによる極めて高速なモード探索
- Authors: Jennifer Jang, Heinrich Jiang
- Abstract要約: MeanShiftは、機械学習の幅広いアプリケーションで使用される一般的なモード探索クラスタリングアルゴリズムです。
平均シフトステップを高速化するためにグリッドベースのアプローチを用いたMeanShift++を提案する。
ランタイムは点数で線形であり、次元で指数的であるため、MeanShift++は低次元アプリケーションに理想的です。
- 参考スコア（独自算出の注目度）: 40.662116703422846
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: MeanShift is a popular mode-seeking clustering algorithm used in a wide range
of applications in machine learning. However, it is known to be prohibitively
slow, with quadratic runtime per iteration. We propose MeanShift++, an
extremely fast mode-seeking algorithm based on MeanShift that uses a grid-based
approach to speed up the mean shift step, replacing the computationally
expensive neighbors search with a density-weighted mean of adjacent grid cells.
In addition, we show that this grid-based technique for density estimation
comes with theoretical guarantees. The runtime is linear in the number of
points and exponential in dimension, which makes MeanShift++ ideal on
low-dimensional applications such as image segmentation and object tracking. We
provide extensive experimental analysis showing that MeanShift++ can be more
than 10,000x faster than MeanShift with competitive clustering results on
benchmark datasets and nearly identical image segmentations as MeanShift.
Finally, we show promising results for object tracking.
- Abstract（参考訳）: MeanShiftは、機械学習の幅広いアプリケーションで使われている一般的なモード探索クラスタリングアルゴリズムである。
しかし、反復毎に2倍のランタイムがあるため、制限的に遅いことが知られている。
提案するmeanshift++は,meanshiftに基づく非常に高速なモード探索アルゴリズムであり,計算コストの高い隣人探索を,隣接するグリッドセルの密度重み付け平均に置き換えることで,平均シフトステップを高速化する。
さらに,この格子を用いた密度推定手法には理論的保証が伴うことを示した。
ランタイムは点数で線形であり、次元で指数関数的であるため、画像のセグメンテーションやオブジェクト追跡といった低次元アプリケーションではMeanShift++が理想的である。
meanshift++は、ベンチマークデータセットとほぼ同一の画像セグメンテーションで競合するクラスタリング結果によって、 meanshiftよりも1万倍以上高速であることが、広範な実験的分析で示されている。
最後に,オブジェクト追跡の有望な結果を示す。
関連論文リスト
- RSC: Accelerating Graph Neural Networks Training via Randomized Sparse
Computations [56.59168541623729]
トレーニンググラフニューラルネットワーク(GNN)は、疎グラフベースの操作がハードウェアによって加速することが難しいため、時間を要する。
我々は,サンプリングに基づく近似による時間的複雑性を低減するために,計算精度のトレードオフを検討する。
本稿では,GNNを近似演算でトレーニングする可能性を初めて示すランダム化スパース計算を提案する。
論文 参考訳（メタデータ） (2022-10-19T17:25:33Z) - Communication-Efficient Adam-Type Algorithms for Distributed Data Mining [93.50424502011626]
我々はスケッチを利用した新しい分散Adam型アルゴリズムのクラス(例:SketchedAMSGrad)を提案する。
我々の新しいアルゴリズムは、反復毎に$O(frac1sqrtnT + frac1(k/d)2 T)$の高速収束率を$O(k log(d))$の通信コストで達成する。
論文 参考訳（メタデータ） (2022-10-14T01:42:05Z) - Rapid Person Re-Identification via Sub-space Consistency Regularization [51.76876061721556]
Person Re-Identification (ReID) は、歩行者を分離したカメラで識別する。
実値特徴記述子を用いた既存のReID法は精度が高いが、ユークリッド距離計算が遅いため効率が低い。
本稿では,ReID 処理を 0.25 倍高速化するサブスペース一貫性規則化 (SCR) アルゴリズムを提案する。
論文 参考訳（メタデータ） (2022-07-13T02:44:05Z) - Towards Real-Time Visual Tracking with Graded Color-names Features [10.475679500780574]
MeanShiftアルゴリズムは、その単純さと効率性から、タスクのトラッキングに広く利用されている。
従来のMeanShiftアルゴリズムでは、ターゲットの初期領域をラベル付けする必要があるため、アルゴリズムの適用性が低下する。
我々は,背景モデルと色名の階調特徴を組み合わせた追跡手法をMeanShiftフレームワークで開発する。
論文 参考訳（メタデータ） (2022-06-17T11:38:37Z) - GridShift: A Faster Mode-seeking Algorithm for Image Segmentation and
Object Tracking [22.899276998185716]
平均シフト(MS)はクラスタリングとイメージセグメンテーションのための一般的なモード探索アルゴリズムである。
GridShiftは、データポイント数に線形である隣の検索に対して、グリッドベースのアプローチを採用している。
GridShiftのランタイムはアクティブなグリッドセルの数で線形であり、機能の数で指数関数的である。
論文 参考訳（メタデータ） (2022-06-05T15:08:34Z) - GPU-accelerated Faster Mean Shift with euclidean distance metrics [1.3507758562554621]
平均シフトアルゴリズムはクラスタリング問題の解法として広く用いられている。
従来の研究では,GPUを高速化する高速平均シフトアルゴリズムが提案されている。
本研究では,ユークリッド距離測定値を扱うために,従来のアルゴリズムを拡張し改良する。
論文 参考訳（メタデータ） (2021-12-27T20:18:24Z) - VersaGNN: a Versatile accelerator for Graph neural networks [81.1667080640009]
我々は,超効率的なサイストリックアレイベースの多用途ハードウェアアクセラレータである textitVersaGNN を提案する。
textitVersaGNNは平均3712$times$ speedup with 1301.25$times$ energy reduction on CPU、35.4$times$ speedup with 17.66$times$ energy reduction on GPUを達成している。
論文 参考訳（メタデータ） (2021-05-04T04:10:48Z) - Gradient Coding with Dynamic Clustering for Straggler-Tolerant
Distributed Learning [55.052517095437]
勾配降下(GD)は、複数の労働者にデータセットを分散することで学習タスクの並列化に広く用いられている。
分散同期gdにおけるイテレーション完了時間ごとの重要なパフォーマンスボトルネックは$straggling$ workersである。
コード化された分散技術は、最近ストラグラーを緩和し、労働者に冗長な計算を割り当てることでgdイテレーションを高速化するために導入された。
本稿では,従来のトラグリング動作に依存する可能性のあるコードの中から,冗長なデータを労働者に割り当てて選択する動的GC方式を提案する。
論文 参考訳（メタデータ） (2021-03-01T18:51:29Z) - Faster Mean-shift: GPU-accelerated clustering for cosine embedding-based
cell segmentation and tracking [12.60841328582138]
本稿では,埋め込み型セルセグメンテーションとトラッキングの計算ボトルネックに対処する,高速平均シフトアルゴリズムを提案する。
提案したFaster Mean-shiftアルゴリズムは、最先端の埋め込みベースのセルインスタンスのセグメンテーションとトラッキングアルゴリズムと比較して7～10倍の高速化を実現した。
我々の高速平均シフトアルゴリズムは、メモリ消費を最適化した他のGPUベンチマークと比較して計算速度も高い。
論文 参考訳（メタデータ） (2020-07-28T14:52:51Z) - A Study of Performance of Optimal Transport [16.847501106437534]
本稿では,ネットワークの単純化と拡張パスに基づくアルゴリズムが,数値行列スケーリング法より一貫して優れていることを示す。
古典的なKuhn-Munkresアルゴリズムを改良した新しいアルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-05-03T20:37:05Z)
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。