論文の概要: An Exact Hypergraph Matching Algorithm for Nuclear Identification in
Embryonic Caenorhabditis elegans
- arxiv url: http://arxiv.org/abs/2104.10003v1
- Date: Tue, 20 Apr 2021 14:34:30 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-21 17:52:02.645950
- Title: An Exact Hypergraph Matching Algorithm for Nuclear Identification in
Embryonic Caenorhabditis elegans
- Title（参考訳）: 胚性caenorhabditis elegansにおける核同定のための正確なハイパーグラフマッチングアルゴリズム
- Authors: Andrew Lauziere, Ryan Christensen, Hari Shroff, Radu Balan
- Abstract要約: タスクをハイパーグラフマッチングとしてモデル化することで,ポイントセットマッチングを正確に解くことができるアルゴリズムを提案する。
Caenorhabditis elegansは、発達生物学や神経生物学で頻繁に用いられるモデル生物である。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Finding an optimal correspondence between point sets is a common task in
computer vision. Existing techniques assume relatively simple relationships
among points and do not guarantee an optimal match. We introduce an algorithm
capable of exactly solving point set matching by modeling the task as
hypergraph matching. The algorithm extends the classical branch and bound
paradigm to select and aggregate vertices under a proposed decomposition of the
multilinear objective function. The methodology is motivated by Caenorhabditis
elegans, a model organism used frequently in developmental biology and
neurobiology. The embryonic C. elegans contains seam cells that can act as
fiducial markers allowing the identification of other nuclei during embryo
development. The proposed algorithm identifies seam cells more accurately than
established point-set matching methods, while providing a framework to approach
other similarly complex point set matching tasks.
- Abstract（参考訳）: 点集合間の最適な対応を見つけることは、コンピュータビジョンにおいて共通のタスクである。
既存の手法では点間の関係は比較的単純であり、最適一致を保証しない。
本稿では,タスクをハイパーグラフマッチングとしてモデル化することで,ポイントセットマッチングを正確に解くアルゴリズムを提案する。
このアルゴリズムは古典分岐と有界パラダイムを拡張し、多線形目的関数の分解提案の下で頂点を選択・集約する。
Caenorhabditis elegansは、発達生物学や神経生物学で頻繁に用いられるモデル生物である。
胚性c. elegansは、胚発生中に他の核を同定できるfiducial markerとして機能するseam細胞を含む。
提案アルゴリズムは,他の複雑な点集合マッチングタスクにアプローチするための枠組みを提供しながら,確立した点集合マッチング手法よりも精度の高いシームセルを同定する。
関連論文リスト
- Column and row subset selection using nuclear scores: algorithms and theory for Nyström approximation, CUR decomposition, and graph Laplacian reduction [0.0]
我々は,高速,効率的,理論的に保証された列選択のための統一手法を開発した。
まず、カーネル近似やCUR分解といったタスクに適用可能な空間分割決定アルゴリズムを導出し、実装する。
次に、保証濃度境界を満たすランダム化スキームに依存する行列自由形式を考案する。
論文 参考訳（メタデータ） (2024-07-01T18:10:19Z) - Efficient Subgraph Isomorphism using Graph Topology [10.332465264309693]
部分グラフ同型 (subgraph isomorphism) あるいは部分グラフマッチング (subgraph matching) は一般にNP完全問題と考えられる。
ほとんど全てのサブグラフマッチング手法はノードラベルを使用してノード-ノードマッチングを行う。
本稿では,ノードラベルのない不正確な場合において,サブグラフとフルグラフのノード対応を同定する手法を提案する。
論文 参考訳（メタデータ） (2022-09-15T02:45:05Z) - Gradient Based Clustering [72.15857783681658]
本稿では,クラスタリングの品質を計測するコスト関数の勾配を用いて,距離に基づくクラスタリングの一般的な手法を提案する。
アプローチは反復的な2段階の手順(クラスタ割り当てとクラスタセンターのアップデートの代替)であり、幅広い機能に適用できる。
論文 参考訳（メタデータ） (2022-02-01T19:31:15Z) - Reinforcement Learning Based Query Vertex Ordering Model for Subgraph
Matching [58.39970828272366]
グラフマッチングアルゴリズムは、クエリグラフの埋め込みをデータグラフGに列挙する。
マッチング順序は、これらのバックトラックに基づくサブグラフマッチングアルゴリズムの時間効率において重要な役割を果たす。
本稿では,Reinforcement Learning (RL) と Graph Neural Networks (GNN) 技術を適用して,グラフマッチングアルゴリズムの高品質なマッチング順序を生成する。
論文 参考訳（メタデータ） (2022-01-25T00:10:03Z) - Sparse Quadratic Optimisation over the Stiefel Manifold with Application
to Permutation Synchronisation [71.27989298860481]
二次目的関数を最大化するスティーフェル多様体上の行列を求める非最適化問題に対処する。
そこで本研究では,支配的固有空間行列を求めるための,単純かつ効果的なスパーシティプロモーティングアルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-09-30T19:17:35Z) - Classification with Nearest Disjoint Centroids [6.332832782461923]
最寄りのセントロイドに基づく新しい分類法を開発し,これを最寄りのディジョイント・セントロイド分類器と呼ぶ。
本手法は次の2つの側面において最寄りのセントロイド分類器と異なる: (1) 中心ロイドはすべての特徴の代わりに特徴の解離部分集合に基づいて定義され、(2) 距離はユークリッドノルムの代わりに次元正規化ノルムによって誘導される。
論文 参考訳（メタデータ） (2021-09-21T21:16:36Z) - Algorithm Selection on a Meta Level [58.720142291102135]
本稿では,与えられたアルゴリズムセレクタの組み合わせに最適な方法を求めるメタアルゴリズム選択の問題を紹介する。
本稿では,メタアルゴリズム選択のための一般的な方法論フレームワークと,このフレームワークのインスタンス化として具体的な学習手法を提案する。
論文 参考訳（メタデータ） (2021-07-20T11:23:21Z) - Determinantal Beam Search [75.84501052642361]
ビームサーチは、ニューラルシーケンスモデルをデコードするためのゴーツー戦略である。
複数のソリューションを要求するユースケースでは、多様あるいは代表的なセットがしばしば望まれる。
ビームサーチを一連の部分決定問題として繰り返し行うことにより、アルゴリズムを多種多様なサブセット選択プロセスに変換することができる。
論文 参考訳（メタデータ） (2021-06-14T13:01:46Z) - Determinantal consensus clustering [77.34726150561087]
本稿では,クラスタリングアルゴリズムのランダム再起動における決定点プロセス (DPP) の利用を提案する。
DPPは部分集合内の中心点の多様性を好んでいる。
DPPとは対照的に、この手法は多様性の確保と、すべてのデータフェースについて良好なカバレッジを得るために失敗することを示す。
論文 参考訳（メタデータ） (2021-02-07T23:48:24Z) - Clustering with Penalty for Joint Occurrence of Objects: Computational
Aspects [0.0]
Hol'y, Sokol および vCern'y クラスタ・オブジェクトのメソッドは、与えられた多くの集合におけるそれらの出現率に基づいている。
この考え方は、同じクラスタ内の同じクラスタから複数のオブジェクトが発生することを最小限にすることを目的としている。
本稿では,本手法の計算的側面について考察する。
論文 参考訳（メタデータ） (2021-02-02T10:39:27Z)
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。