論文の概要: TEN: Twin Embedding Networks for the Jigsaw Puzzle Problem with Eroded Boundaries

• arxiv url: http://arxiv.org/abs/2203.06488v1
• Date: Sat, 12 Mar 2022 17:18:47 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-15 14:20:14.712354
• Title: TEN: Twin Embedding Networks for the Jigsaw Puzzle Problem with Eroded Boundaries
• Title（参考訳）: TEN: Eroded境界を持つJigsawパズル問題のためのツイン埋め込みネットワーク
• Authors: Daniel Rika, Dror Sholomon, Eli David, Nathan S. Netanyahu
• Abstract要約: ジグソーパズル問題(JPP)は、長年研究されてきたよく知られた研究問題である。 片端情報のみに基づく簡易距離測定を応用した実効CMが多数提案されている。 しかし、これらの古典的手法の実用性は、純粋な合成画像よりも難しい問題に対してかなり疑わしい。 この重要な欠陥を克服するために、いくつかの深層畳み込みニューラルネットワーク(CNN)ベースのCMが最近導入されている。 この論文は、(古典的手法の)比較的低い精度と集中的な計算複雑性の間のギャップを埋めるための重要な最初の試みである。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The jigsaw puzzle problem (JPP) is a well-known research problem, which has been studied for many years. Solving this problem typically involves a two-stage scheme, consisting of the computation of a pairwise piece compatibility measure (CM), coupled with a subsequent puzzle reconstruction algorithm. Many effective CMs, which apply a simple distance measure, based merely on the information along the piece edges, have been proposed. However, the practicality of these classical methods is rather doubtful for problem instances harder than pure synthetic images. Specifically, these methods tend to break down in more realistic scenarios involving, e.g., monochromatic puzzles, eroded boundaries due to piece degradation over long time periods, missing pieces, etc. To overcome this significant deficiency, a few deep convolutional neural network (CNN)-based CMs have been recently introduced. Despite their promising accuracy, these models are very computationally intensive. Twin Embedding Networks (TEN), to represent a piece with respect to its boundary in a latent embedding space. Combining this latent representation with a simple distance measure, we then demonstrate a superior performance, in terms of accuracy, of our newly proposed pairwise CM, compared to that of various classical methods, for the problem domain of eroded tile boundaries, a testbed for a number of real-world JPP variants. Furthermore, we also demonstrate that TEN is faster by a few orders of magnitude, on average, than the recent NN models, i.e., it is as fast as the classical methods. In this regard, the paper makes a significant first attempt at bridging the gap between the relatively low accuracy (of classical methods) and the intensive computational complexity (of NN models), for practical, real-world puzzle-like problems.
• Abstract（参考訳）: ジグソーパズル問題(JPP)は、長年研究されてきたよく知られた研究問題である。 この問題の解法は典型的には2段階のスキームで、ペアワイズピース互換性尺度(CM)の計算とその後のパズル再構成アルゴリズムを組み合わせたものである。 多くの有効なcmsは、単にピースエッジに沿った情報に基づいて、単純な距離尺度を適用して提案されている。 しかし、これらの古典的手法の実用性は、純粋な合成画像よりも難しい問題例には疑わしい。 特に、これらの手法は、例えば単色パズル、長い時間にわたる断片の劣化による境界の侵食、欠片などを含むより現実的なシナリオに分解される傾向がある。 この重大な不足を克服するために、cnn(deep convolutional neural network)ベースのcmsが最近導入されている。 有望な精度にもかかわらず、これらのモデルは非常に計算集約的です。 TEN (Twin Embedding Networks) は、潜伏した埋め込み空間におけるその境界についての一部分を表す。 この潜伏表現と単純な距離測度を組み合わせることで、多くの実世界のJPP変種に対するテストベッドである浸食タイル境界の問題領域に対する様々な古典的手法と比較して、新たに提案したペアワイズCMの精度において優れた性能を示す。 さらに、TENは、最近のNNモデル、すなわち古典的手法と同等の速度で、平均して数桁高速であることを示す。 そこで本研究では,実世界のパズルのような問題に対して,比較的低い精度 (古典的手法) と集中的計算複雑性 (nnモデル) とのギャップを埋めるための重要な最初の試みを行う。

関連論文リスト

• Sparsity May Cry: Let Us Fail (Current) Sparse Neural Networks Together! [100.19080749267316]
  Sparsity May Cry"ベンチマーク(SMC-Bench)は、慎重に計算された4つのタスクと10のデータセットのコレクションである。 SMC-Benchは、よりスケーラブルで一般化可能なスパースアルゴリズムの開発を奨励するように設計されている。
  論文  参考訳（メタデータ） (2023-03-03T18:47:21Z)
• A Comprehensively Improved Hybrid Algorithm for Learning Bayesian Networks: Multiple Compound Memory Erasing [0.0]
  本稿では、新しいハイブリッドアルゴリズムMCME(multiple compound memory erasing)を提案する。 MCMEは、最初の2つの手法の利点を維持し、上記のCIテストの欠点を解消し、方向判別段階におけるスコアリング機能に革新をもたらす。 多くの実験により、MCMEは既存のアルゴリズムよりも優れた、あるいは類似した性能を示している。
  論文  参考訳（メタデータ） (2022-12-05T12:52:07Z)
• Edge2Vec: A High Quality Embedding for the Jigsaw Puzzle Problem [0.0]
  ペアワイズ互換性尺度(CM)は、ジグソーパズル問題(JPP)を解く上で重要な要素である。 本稿では, 高速と精度のギャップを埋めるため, 高度なCMモデル(変形埋め込みと新しい損失関数, ハードバッチ・トリプルト・ロス)を導出する。
  論文  参考訳（メタデータ） (2022-11-14T22:05:09Z)
• Graph Neural Networks for Propositional Model Counting [1.0152838128195467]
  グラフネットワーク(GNN)は最近、論理的推論タスクの解決に活用されている。 本稿では, 自覚的GNNによって拡張され, #SAT 問題を大まかに解くために訓練された, Kuch 等の信念伝播のための GNN フレームワークに基づくアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2022-05-09T17:03:13Z)
• Provable Reinforcement Learning with a Short-Term Memory [68.00677878812908]
  我々はPMDPsの新しいサブクラスについて研究し、その潜在状態は、最近の短い長さ$m$の履歴によって復号化することができる。 特に、リッチ・オブザーブレーション・セッティングにおいて、指数関数的にスケールするサンプル複雑性を持つ新しい「モーメントマッチング」アプローチを用いて、新しいアルゴリズムを開発する。 以上の結果から,これらの環境下での強化学習には短期記憶が十分であることが示唆された。
  論文  参考訳（メタデータ） (2022-02-08T16:39:57Z)
• Learning to Detect Critical Nodes in Sparse Graphs via Feature Importance Awareness [53.351863569314794]
  クリティカルノード問題(CNP)は、削除が残余ネットワークのペア接続性を最大に低下させるネットワークから臨界ノードの集合を見つけることを目的としている。 本研究は,ノード表現のための特徴重要度対応グラフアテンションネットワークを提案する。 ダブルディープQネットワークと組み合わせて、初めてCNPを解くエンドツーエンドのアルゴリズムを作成する。
  論文  参考訳（メタデータ） (2021-12-03T14:23:05Z)
• DeFRCN: Decoupled Faster R-CNN for Few-Shot Object Detection [17.326702469604676]
  未確認クラスのごく少数の例から、新しいオブジェクトを迅速に検出することを目的としていない。 既存のほとんどのアプローチでは、基本的な検出フレームワークとしてFaster R-CNNを使用している。 DeFRCN (Decoupled Faster R-CNN) というシンプルなアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2021-08-20T06:12:55Z)
• DeepSplit: Scalable Verification of Deep Neural Networks via Operator Splitting [70.62923754433461]
  入力摂動に対するディープニューラルネットワークの最悪の性能を分析することは、大規模な非最適化問題の解決につながる。 解析解を持つ小さなサブプロブレムに分割することで,問題の凸緩和を直接高精度に解ける新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-06-16T20:43:49Z)
• Learning to Accelerate Heuristic Searching for Large-Scale Maximum Weighted b-Matching Problems in Online Advertising [51.97494906131859]
  バイパルタイトbマッチングはアルゴリズム設計の基本であり、経済市場や労働市場などに広く適用されている。 既存の正確で近似的なアルゴリズムは、通常そのような設定で失敗する。 我々は、以前の事例から学んだ知識を活用して、新しい問題インスタンスを解決するtextttNeuSearcherを提案する。
  論文  参考訳（メタデータ） (2020-05-09T02:48:23Z)
• Seismic horizon detection with neural networks [62.997667081978825]
  本稿では,複数の実地震立方体上での地平線検出にバイナリセグメンテーションを適用し,予測モデルのキューブ間一般化に着目したオープンソースの研究である。 本研究の主な貢献は,複数実地震立方体における地平線検出にバイナリセグメンテーションを適用し,予測モデルのキューブ間一般化に着目したオープンソースの研究である。
  論文  参考訳（メタデータ） (2020-01-10T11:30:50Z)

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。