論文の概要: Differentiable Mathematical Programming for Object-Centric
Representation Learning
- arxiv url: http://arxiv.org/abs/2210.02159v1
- Date: Wed, 5 Oct 2022 11:36:45 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-06 13:24:16.398454
- Title: Differentiable Mathematical Programming for Object-Centric
Representation Learning
- Title(参考訳): オブジェクト指向表現学習のための微分数学プログラミング
- Authors: Adeel Pervez, Phillip Lippe, Efstratios Gavves
- Abstract要約: 本稿では,線形プログラムとして表現される分割法として最小$s$-$t$グラフカットを提案する。
このグラフを解くために、我々の解は効率的でスケーラブルで微分可能な二次プログラミング近似に依存する。
以上の結果から,我々の手法はスケーラブルであり,テクスチャ化されたシーンやオブジェクトを用いたオブジェクト発見タスクにおいて,既存の手法よりも優れていたことが示唆された。
- 参考スコア(独自算出の注目度): 32.76702197616919
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We propose topology-aware feature partitioning into $k$ disjoint partitions
for given scene features as a method for object-centric representation
learning. To this end, we propose to use minimum $s$-$t$ graph cuts as a
partitioning method which is represented as a linear program. The method is
topologically aware since it explicitly encodes neighborhood relationships in
the image graph. To solve the graph cuts our solution relies on an efficient,
scalable, and differentiable quadratic programming approximation. Optimizations
specific to cut problems allow us to solve the quadratic programs and compute
their gradients significantly more efficiently compared with the general
quadratic programming approach. Our results show that our approach is scalable
and outperforms existing methods on object discovery tasks with textured scenes
and objects.
- Abstract(参考訳): 我々は,オブジェクト中心表現学習のための方法として,与えられたシーン特徴に対して$k$の非結合パーティションを分割するトポロジ・アウェア機能を提案する。
この目的のために,線形プログラムとして表現される分割法として,最小$s$-$t$グラフカットを用いることを提案する。
この方法は、画像グラフの近傍関係を明示的にエンコードするため、位相的に認識される。
このグラフを解くために、我々の解は効率的でスケーラブルで微分可能な二次プログラミング近似に依存する。
カット問題に特化した最適化により、二次プログラムを解き、それらの勾配を一般的な二次計画法よりもはるかに効率的に計算することができる。
以上の結果から,我々のアプローチはスケーラブルであり,テクスチャ化されたシーンやオブジェクトを用いたオブジェクト発見タスクにおける既存手法よりも優れていた。
関連論文リスト
- Joint Dense-Point Representation for Contour-Aware Graph Segmentation [2.138299283227551]
本稿では,点と画素の輪郭表現を共同で学習することにより,グラフと高密度セグメンテーション技術を組み合わせた新しい手法を提案する。
これは、不整合目的がネットワークを識別的・輪郭的特徴の学習から制限する典型的なグラフ分割法における欠陥に対処する。
提案手法はいくつかのケストX線データセットで検証され,セグメンテーション安定性と精度の明確な改善が示された。
論文 参考訳(メタデータ) (2023-06-21T10:07:17Z) - 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) - Localized Contrastive Learning on Graphs [110.54606263711385]
局所グラフコントラスト学習(Local-GCL)という,シンプルだが効果的なコントラストモデルを導入する。
その単純さにもかかわらず、Local-GCLは、様々なスケールと特性を持つグラフ上の自己教師付きノード表現学習タスクにおいて、非常に競争力のある性能を達成する。
論文 参考訳(メタデータ) (2022-12-08T23:36:00Z) - Learning Heuristics for the Maximum Clique Enumeration Problem Using Low
Dimensional Representations [0.0]
本稿では,最大列挙問題の傾きを低減するために,入力グラフのプルーニング処理に学習フレームワークを用いる。
本手法の性能評価において,異なる頂点表現を用いることが果たす役割について検討する。
分類過程において局所的なグラフ特徴を用いることで,特徴の除去過程と組み合わせることで,より正確な結果が得られることが観察された。
論文 参考訳(メタデータ) (2022-10-30T22:04:32Z) - Effective and efficient structure learning with pruning and model
averaging strategies [9.023722579074734]
本稿では,2つの新しい手法と丘登り探索を組み合わせたBN構造学習アルゴリズムについて述べる。
アルゴリズムは探索空間グラフをプルーニングすることから始まり、プルーニング戦略をプルーニング戦略のアグレッシブバージョンと見なすことができる。
そして、ヒルクライミング探索プロセスで平均化を行い、目的関数を最大化する近隣グラフに移動する。
論文 参考訳(メタデータ) (2021-12-01T10:35:34Z) - Graph Partitioning and Sparse Matrix Ordering using Reinforcement
Learning [0.13999481573773068]
本稿では,強化学習とグラフ畳み込みニューラルネットワークに基づくグラフ分割手法を提案する。
提案手法はMETISやスコッチと同様の仕切り品質を実現する。
この方法は、あるクラスのグラフから別のグラフに一般化し、 suitesparse sparse matrix collectionの様々なグラフでうまく機能する。
論文 参考訳(メタデータ) (2021-04-08T06:54:24Z) - 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) - Multilayer Clustered Graph Learning [66.94201299553336]
我々は、観測された層を代表グラフに適切に集約するために、データ忠実度用語として対照的な損失を用いる。
実験により,本手法がクラスタクラスタw.r.tに繋がることが示された。
クラスタリング問題を解くためのクラスタリングアルゴリズムを学習する。
論文 参考訳(メタデータ) (2020-10-29T09:58:02Z) - Graph embedding using multi-layer adjacent point merging model [23.706877029336415]
本稿では, 隣接した多層マージ点モデルを用いたグラフ埋め込み手法を提案する。
この埋め込み手法により、列車データから異なるサブグラフパターンを抽出できる。
数値解析により,提案手法が多くの最先端手法より優れていることを示す。
論文 参考訳(メタデータ) (2020-10-28T05:35:04Z) - Can We Learn Heuristics For Graphical Model Inference Using
Reinforcement Learning? [114.24881214319048]
我々は、強化学習を用いて、高次条件ランダム場(CRF)における推論を解くためのプログラム、すなわち、ポリシーを学習できることを示します。
本手法は,ポテンシャルの形式に制約を加えることなく,推論タスクを効率的に解く。
論文 参考訳(メタデータ) (2020-04-27T19:24:04Z) - Spatial Pyramid Based Graph Reasoning for Semantic Segmentation [67.47159595239798]
セマンティックセグメンテーションタスクにグラフ畳み込みを適用し、改良されたラプラシアンを提案する。
グラフ推論は、空間ピラミッドとして構成された元の特徴空間で直接実行される。
計算とメモリのオーバーヘッドの利点で同等のパフォーマンスを実現しています。
論文 参考訳(メタデータ) (2020-03-23T12:28:07Z)
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。