論文の概要: A Comparative Study of Graph Matching Algorithms in Computer Vision

• arxiv url: http://arxiv.org/abs/2207.00291v1
• Date: Fri, 1 Jul 2022 09:37:34 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-04 14:11:28.922160
• Title: A Comparative Study of Graph Matching Algorithms in Computer Vision
• Title（参考訳）: コンピュータビジョンにおけるグラフマッチングアルゴリズムの比較研究
• Authors: Stefan Haller, Lorenz Feineis, Lisa Hutschenreiter, Florian Bernard, Carsten Rother, Dagmar Kainm\"uller, Paul Swoboda, Bogdan Savchynskyy
• Abstract要約: 本稿では,グラフマッチングアルゴリズムの比較研究について述べる。 我々は,既存のコンピュータビジョングラフマッチング問題の多くを収集し,分類するベンチマークを作成する。 同時に、グラフマッチングアルゴリズムの最も人気のあるオープンソース実装を収集、分類する。
• 参考スコア（独自算出の注目度）: 42.041759337188914
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The graph matching optimization problem is an essential component for many tasks in computer vision, such as bringing two deformable objects in correspondence. Naturally, a wide range of applicable algorithms have been proposed in the last decades. Since a common standard benchmark has not been developed, their performance claims are often hard to verify as evaluation on differing problem instances and criteria make the results incomparable. To address these shortcomings, we present a comparative study of graph matching algorithms. We create a uniform benchmark where we collect and categorize a large set of existing and publicly available computer vision graph matching problems in a common format. At the same time we collect and categorize the most popular open-source implementations of graph matching algorithms. Their performance is evaluated in a way that is in line with the best practices for comparing optimization algorithms. The study is designed to be reproducible and extensible to serve as a valuable resource in the future. Our study provides three notable insights: 1.) popular problem instances are exactly solvable in substantially less than 1 second and, therefore, are insufficient for future empirical evaluations; 2.) the most popular baseline methods are highly inferior to the best available methods; 3.) despite the NP-hardness of the problem, instances coming from vision applications are often solvable in a few seconds even for graphs with more than 500 vertices.
• Abstract（参考訳）: グラフマッチング最適化問題は、2つの変形可能なオブジェクトを対応づけるなど、コンピュータビジョンにおける多くのタスクにとって必須の要素である。 当然、この数十年間、幅広い適用可能なアルゴリズムが提案されてきた。 共通の標準ベンチマークが開発されていないため、異なる問題インスタンスや基準に対する評価が結果の互換性を損なうため、評価が難しい場合が多い。 これらの欠点に対処するために,グラフマッチングアルゴリズムの比較研究を行う。 私たちは、既存のコンピュータビジョングラフマッチング問題の大規模なセットを共通のフォーマットで収集し、分類する統一ベンチマークを作成します。 同時に、グラフマッチングアルゴリズムの最も人気のあるオープンソース実装を収集し、分類する。 それらの性能は最適化アルゴリズムを比較するためのベストプラクティスと一致して評価される。 この研究は再現可能で拡張可能で、将来貴重な資源として機能するように設計されている。 1) 一般的な問題インスタンスは、実質的に1秒未満で解決可能であり、したがって、将来の経験的評価には不十分である 2) もっとも人気のあるベースラインメソッドは、最良の方法よりも非常に劣っている 3) 問題のnpの難しさにもかかわらず、ビジョンアプリケーションからのインスタンスは、500以上の頂点を持つグラフであっても、数秒で解決可能であることが多い。

関連論文リスト

• Learnable Graph Matching: A Practical Paradigm for Data Association [74.28753343714858]
  これらの問題に対処するための一般的な学習可能なグラフマッチング法を提案する。 提案手法は,複数のMOTデータセット上での最先端性能を実現する。 画像マッチングでは,一般的な屋内データセットであるScanNetで最先端の手法より優れている。
  論文  参考訳（メタデータ） (2023-03-27T17:39:00Z)
• Benchmarking Node Outlier Detection on Graphs [90.29966986023403]
  グラフの外れ値検出は、多くのアプリケーションにおいて、新しいが重要な機械学習タスクである。 UNODと呼ばれるグラフに対して、最初の包括的教師なしノード外乱検出ベンチマークを示す。
  論文  参考訳（メタデータ） (2022-06-21T01:46:38Z)
• 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)
• Simple Stochastic and Online Gradient DescentAlgorithms for Pairwise Learning [65.54757265434465]
  ペアワイズ学習(Pairwise learning)とは、損失関数がペアインスタンスに依存するタスクをいう。 オンライン降下(OGD)は、ペアワイズ学習でストリーミングデータを処理する一般的なアプローチである。 本稿では,ペアワイズ学習のための手法について,シンプルでオンラインな下降を提案する。
  論文  参考訳（メタデータ） (2021-11-23T18:10:48Z)
• Learnable Graph Matching: Incorporating Graph Partitioning with Deep Feature Learning for Multiple Object Tracking [58.30147362745852]
  フレーム間のデータアソシエーションは、Multiple Object Tracking(MOT)タスクの中核にある。 既存の手法は、主にトラックレットとフレーム内検出の間のコンテキスト情報を無視する。 そこで本研究では,学習可能なグラフマッチング手法を提案する。
  論文  参考訳（メタデータ） (2021-03-30T08:58:45Z)
• Benchmarking Simulation-Based Inference [5.3898004059026325]
  確率的モデリングの最近の進歩は、確率の数値的評価を必要としないシミュレーションに基づく推論アルゴリズムを多数もたらした。 推論タスクと適切なパフォーマンス指標を備えたベンチマークを,アルゴリズムの初期選択とともに提供する。 性能指標の選択は重要であり、最先端のアルゴリズムでさえ改善の余地があり、逐次推定によりサンプリング効率が向上することがわかった。
  論文  参考訳（メタデータ） (2021-01-12T18:31:22Z)
• Graph topology inference benchmarks for machine learning [16.857405938139525]
  本稿では,グラフ推論手法の相対的メリットと限界を明らかにするために,いくつかのベンチマークを導入する。 我々はまた、文学において最も顕著な技法のいくつかを対比している。
  論文  参考訳（メタデータ） (2020-07-16T09:40:32Z)
• Comparison and Benchmark of Graph Clustering Algorithms [6.106697372971535]
  私たちは、70以上のグラフクラスタリングプログラムをベンチマークして、実行時と品質のパフォーマンスを評価しました。 私たちの研究は、エンジニアがクラスタリングアルゴリズムを選択するための出発点を提供するだけでなく、研究者が新しいアルゴリズムを設計するための視点を提供することができます。
  論文  参考訳（メタデータ） (2020-05-10T22:54:36Z)

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。