Fugu-MT 論文翻訳(概要): An automated threshold Edge Drawing algorithm

論文の概要: An automated threshold Edge Drawing algorithm

arxiv url: http://arxiv.org/abs/2110.05119v1
Date: Mon, 11 Oct 2021 09:53:18 GMT
ステータス: 処理完了
システム内更新日: 2021-10-13 01:21:57.214726
Title: An automated threshold Edge Drawing algorithm
Title（参考訳）: 自動しきい値エッジ描画アルゴリズム
Authors: Ciprian Orhei, Muguras Mocofan, Silviu Vert, Radu Vasiu
Abstract要約: 自動しきい値選択ステップを含むエッジ描画アルゴリズムを提案する。提案した自動しきい値方式の利点を維持するために, 結果が提示される。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Parameter choosing in classical edge detection algorithms can be a costly and complex task. Choosing the correct parameters can improve considerably the resulting edge-map. In this paper we present a version of Edge Drawing algorithm in which we include an automated threshold choosing step. To better highlight the effect of this additional step we use different first order operators in the algorithm. Visual and statistical results are presented to sustain the benefits of the proposed automated threshold scheme.
Abstract（参考訳）: 古典的エッジ検出アルゴリズムにおけるパラメータの選択は、コストが高く複雑なタスクである。正しいパラメータを選択することで、結果のエッジマップを大幅に改善できる。本稿では,自動しきい値選択ステップを含むエッジ描画アルゴリズムのバージョンを提案する。この追加ステップの効果をより強調するために、アルゴリズムで異なる一階演算子を使用します。自動しきい値方式の利点を維持するために,視覚的および統計的結果を示す。

関連論文リスト

Accelerating Cutting-Plane Algorithms via Reinforcement Learning Surrogates [49.84541884653309]
凸離散最適化問題に対する現在の標準的なアプローチは、カットプレーンアルゴリズムを使うことである。多くの汎用カット生成アルゴリズムが存在するにもかかわらず、大規模な離散最適化問題は、難易度に悩まされ続けている。そこで本研究では,強化学習による切削平面アルゴリズムの高速化手法を提案する。
論文参考訳（メタデータ） (2023-07-17T20:11:56Z)
Learning the Positions in CountSketch [49.57951567374372]
本稿では,まずランダムなスケッチ行列に乗じてデータを圧縮し,最適化問題を高速に解くスケッチアルゴリズムについて検討する。本研究では,ゼロでないエントリの位置を最適化する学習ベースアルゴリズムを提案する。
論文参考訳（メタデータ） (2023-06-11T07:28:35Z)
Stochastic Ratios Tracking Algorithm for Large Scale Machine Learning Problems [0.7614628596146599]
古典的なSGDフレームワークにおける適応的なステップ長選択のための新しいアルゴリズムを提案する。妥当な条件下では、アルゴリズムは十分に確立された理論的な要件に従ってステップ長を生成する。このアルゴリズムは,手動チューニングから得られる最良ステップ長に匹敵するステップ長を生成することができることを示す。
論文参考訳（メタデータ） (2023-05-17T06:22:11Z)
Efficient Non-Parametric Optimizer Search for Diverse Tasks [93.64739408827604]
興味のあるタスクを直接検索できる,スケーラブルで汎用的なフレームワークを初めて提示する。基礎となる数学表現の自然木構造に着想を得て、空間を超木に再配置する。我々は,モンテカルロ法を木探索に適用し,レジェクションサンプリングと等価形状検出を備える。
論文参考訳（メタデータ） (2022-09-27T17:51:31Z)
Dynamical softassign and adaptive parameter tuning for graph matching [0.7456521449098222]
制約勾配アルゴリズムと呼ばれるグラフマッチング問題に対する統一的なフレームワークについて検討する。我々の寄与する適応的なステップサイズパラメータは、基礎となるアルゴリズムの収束を保証することができる。本稿では,ソフトアサイン制約勾配法という新しいグラフマッチングアルゴリズムを提案する。
論文参考訳（メタデータ） (2022-08-17T11:25:03Z)
Per-run Algorithm Selection with Warm-starting using Trajectory-based Features [5.073358743426584]
インスタンスごとのアルゴリズム選択は、与えられた問題の場合、1つまたは複数の適切なアルゴリズムを推奨する。提案手法は,実行毎のアルゴリズム選択を行うオンラインアルゴリズム選択方式を提案する。提案手法は静的なインスタンスごとのアルゴリズム選択よりも優れていることを示す。
論文参考訳（メタデータ） (2022-04-20T14:30:42Z)
Trajectory-based Algorithm Selection with Warm-starting [2.3823600586675724]
本研究では,アルゴリズムの性能予測シナリオにおいて,性能回帰モデルとアルゴリズム選択モデルの品質と精度について検討する。ウォームスタートを用いたトラジェクトリベースラン毎のアルゴリズム選択の有望な性能を示す。
論文参考訳（メタデータ） (2022-04-13T14:00:55Z)
Leveraging Benchmarking Data for Informed One-Shot Dynamic Algorithm Selection [0.9281671380673306]
進化的アルゴリズムの適用における重要な課題は、目の前の問題に最も適したアルゴリズムインスタンスの選択である。本研究では, 疑似ブール最適化問題の解法として, このような先行性能データを用いて, 動的アルゴリズム選択スキームを推論する方法について分析する。
論文参考訳（メタデータ） (2021-02-12T12:27:02Z)
Generalization in portfolio-based algorithm selection [97.74604695303285]
ポートフォリオベースのアルゴリズム選択に関する最初の証明可能な保証を提供する。ポートフォリオが大きければ、非常に単純なアルゴリズムセレクタであっても、過剰適合は避けられないことを示す。
論文参考訳（メタデータ） (2020-12-24T16:33:17Z)
Accelerated Message Passing for Entropy-Regularized MAP Inference [89.15658822319928]
離散値のランダムフィールドにおけるMAP推論の最大化は、機械学習の基本的な問題である。この問題の難しさから、特殊メッセージパッシングアルゴリズムの導出には線形プログラミング(LP)緩和が一般的である。古典的加速勾配の根底にある手法を活用することにより,これらのアルゴリズムを高速化するランダム化手法を提案する。
論文参考訳（メタデータ） (2020-07-01T18:43:32Z)
Extreme Algorithm Selection With Dyadic Feature Representation [78.13985819417974]
我々は,数千の候補アルゴリズムの固定セットを考慮に入れた,極端なアルゴリズム選択(XAS)の設定を提案する。我々は、XAS設定に対する最先端のAS技術の適用性を評価し、Dyadic特徴表現を利用したアプローチを提案する。
論文参考訳（メタデータ） (2020-01-29T09:40:58Z)

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。