論文の概要: Keypoint-Guided Optimal Transport
- arxiv url: http://arxiv.org/abs/2303.13102v1
- Date: Thu, 23 Mar 2023 08:35:56 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-24 15:15:16.867156
- Title: Keypoint-Guided Optimal Transport
- Title（参考訳）: キーポイント誘導最適輸送
- Authors: Xiang Gu, Yucheng Yang, Wei Zeng, Jian Sun, Zongben Xu
- Abstract要約: 最適マッチングを探索するリレーション保存(KPG-RL)によるキーポイント誘導モデルを提案する。
提案した KPG-RL モデルはシンクホーンのアルゴリズムで解くことができ、異なる空間で分布がサポートされている場合でも適用可能である。
二重KPG-RLからの学習された輸送計画に基づき、ターゲット領域にソースデータを転送する新しい多様体バリ中心射影を提案する。
- 参考スコア（独自算出の注目度）: 85.396726225935
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Existing Optimal Transport (OT) methods mainly derive the optimal transport
plan/matching under the criterion of transport cost/distance minimization,
which may cause incorrect matching in some cases. In many applications,
annotating a few matched keypoints across domains is reasonable or even
effortless in annotation burden. It is valuable to investigate how to leverage
the annotated keypoints to guide the correct matching in OT. In this paper, we
propose a novel KeyPoint-Guided model by ReLation preservation (KPG-RL) that
searches for the optimal matching (i.e., transport plan) guided by the
keypoints in OT. To impose the keypoints in OT, first, we propose a mask-based
constraint of the transport plan that preserves the matching of keypoint pairs.
Second, we propose to preserve the relation of each data point to the keypoints
to guide the matching. The proposed KPG-RL model can be solved by Sinkhorn's
algorithm and is applicable even when distributions are supported in different
spaces. We further utilize the relation preservation constraint in the
Kantorovich Problem and Gromov-Wasserstein model to impose the guidance of
keypoints in them. Meanwhile, the proposed KPG-RL model is extended to the
partial OT setting. Moreover, we deduce the dual formulation of the KPG-RL
model, which is solved using deep learning techniques. Based on the learned
transport plan from dual KPG-RL, we propose a novel manifold barycentric
projection to transport source data to the target domain. As applications, we
apply the proposed KPG-RL model to the heterogeneous domain adaptation and
image-to-image translation. Experiments verified the effectiveness of the
proposed approach.
- Abstract（参考訳）: 既存の最適輸送(ot)法は、主に輸送コスト/距離最小化基準の下での最適輸送計画/マッチングを導出する。
多くのアプリケーションでは、ドメイン間のマッチしたキーポイントをアノテートするのは合理的で、アノテーションの負担も無用です。
アノテーション付きキーポイントを使ってOTの正しいマッチングをガイドする方法を検討することは重要である。
本稿では,otのキーポイントに導かれる最適なマッチング(すなわち輸送計画)を探索する,関係保存(kpg-rl)による新しいキーポイント誘導モデルを提案する。
まず、OTにキーポイントを課すために、キーポイントペアのマッチングを保持する輸送計画のマスクベースの制約を提案する。
次に,各データポイントとキーポイントの関係を保存し,マッチングをガイドすることを提案する。
提案した KPG-RL モデルはシンクホーンのアルゴリズムで解くことができ、異なる空間で分布がサポートされている場合でも適用可能である。
さらに,関東ロヴィチ問題における関係保存制約とグロモフ・ワッセルシュタインモデルを用いて,キーポイントの指導を行う。
一方、提案したKPG-RLモデルは部分OT設定に拡張される。
さらに, 深層学習手法を用いて, KPG-RLモデルの二重定式化を導出する。
二重KPG-RLからの学習された輸送計画に基づき、ターゲット領域にソースデータを転送する新しい多様体バリ中心射影を提案する。
提案するkpg-rlモデルを異種領域適応と画像から画像への変換に適用する。
提案手法の有効性を検証した。
関連論文リスト
- Combining Optimal Transport and Embedding-Based Approaches for More Expressiveness in Unsupervised Graph Alignment [19.145556156889064]
教師なしグラフアライメントは、グラフ構造とノード特徴のみを利用して、属性グラフのペア間の1対1ノード対応を見つける。
モデル表現性の理論的解析によって動機付けられたそれらの利点を組み合わせるための原理的アプローチを提案する。
我々は,問題を最大重み付けに還元することで,一対一のマッチング制約を最初に保証する。
論文 参考訳（メタデータ） (2024-06-19T04:57:35Z) - Learn to Tour: Operator Design For Solution Feasibility Mapping in Pickup-and-delivery Traveling Salesman Problem [12.34897099691387]
本稿では,旅行セールスマン問題(TSP)の学習方法を提案する。
1対1のピックアップ・アンド・デリバリノードのシーケンスで一番短いツアーを見つける。
PDTSPでは、各ピックアップノードを対応する配信ノードの前に訪問しなければならないという優先的な制約を満たさなければならない。
論文 参考訳（メタデータ） (2024-04-17T15:05:51Z) - Double-Bounded Optimal Transport for Advanced Clustering and
Classification [58.237576976486544]
本稿では,2つの境界内での目標分布の制限を前提としたDB-OT(Douubly bounded Optimal Transport)を提案する。
提案手法は,テスト段階における改良された推論方式により,良好な結果が得られることを示す。
論文 参考訳（メタデータ） (2024-01-21T07:43:01Z) - SC3K: Self-supervised and Coherent 3D Keypoints Estimation from Rotated,
Noisy, and Decimated Point Cloud Data [17.471342278936365]
そこで本研究では,任意のオブジェクトカテゴリからキーポイントを推定する手法を提案する。
我々は,キーポイント推定のための自己指導型トレーニング戦略を提案することで,これらのデシダータを実現する。
提案手法によって推定されるキーポイントと最先端の教師なしアプローチのキーポイントを比較した。
論文 参考訳（メタデータ） (2023-08-10T08:10:01Z) - Tolerating Annotation Displacement in Dense Object Counting via Point
Annotation Probability Map [25.203803417049528]
混雑したシーンでオブジェクトをカウントすることは、コンピュータビジョンにとって依然として難しい課題だ。
学習目標点アノテーション確率マップ(PAPM)を提案する。
また,適応学習型PAPM法(AL-PAPM)を提案する。
論文 参考訳（メタデータ） (2023-07-29T04:46:21Z) - Provable Reward-Agnostic Preference-Based Reinforcement Learning [61.39541986848391]
PbRL(Preference-based Reinforcement Learning)は、RLエージェントが、軌道上のペアワイドな嗜好に基づくフィードバックを用いてタスクを最適化することを学ぶパラダイムである。
本稿では,隠れた報酬関数の正確な学習を可能にする探索軌道を求める理論的報酬非依存PbRLフレームワークを提案する。
論文 参考訳（メタデータ） (2023-05-29T15:00:09Z) - Semi-supervised Learning of Pushforwards For Domain Translation &
Adaptation [3.800498098285222]
関連するデータ空間に2つの確率密度が与えられると、1つの密度をもう1つの密度にプッシュする写像を求める。
広いアプリケーション領域にユーティリティを持つマップには、サンプル外のデータポイントに適用するためのマップが必要です。
本稿では,正規化フローを利用して地図をパラメータ化する新しいプッシュフォワードマップ学習アルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-04-18T00:35:32Z) - Human-in-the-loop: Provably Efficient Preference-based Reinforcement
Learning with General Function Approximation [107.54516740713969]
本研究は,RL(Human-in-the-loop reinforcement learning)を軌道的嗜好で検討する。
各ステップで数値的な報酬を受ける代わりに、エージェントは人間の監督者から軌道上のペアよりも優先される。
一般関数近似を用いたPbRLの楽観的モデルベースアルゴリズムを提案する。
論文 参考訳（メタデータ） (2022-05-23T09:03:24Z) - Regressive Domain Adaptation for Unsupervised Keypoint Detection [67.2950306888855]
ドメイン適応(DA)は、ラベル付きソースドメインからラベル付きターゲットドメインに知識を転送することを目的とする。
本稿では,教師なしキーポイント検出のためのレグレッシブドメイン適応(RegDA)法を提案する。
提案手法は,異なるデータセット上のPCKにおいて,8%から11%の大幅な改善をもたらす。
論文 参考訳（メタデータ） (2021-03-10T16:45:22Z) - On Projection Robust Optimal Transport: Sample Complexity and Model
Misspecification [101.0377583883137]
射影ロバスト(PR)OTは、2つの測度の間のOTコストを最大化するために、射影可能な$k$次元部分空間を選択する。
私たちの最初の貢献は、PRワッサーシュタイン距離のいくつかの基本的な統計的性質を確立することである。
次に、部分空間を最適化するのではなく平均化することにより、PRW距離の代替として積分PRワッサーシュタイン距離(IPRW)を提案する。
論文 参考訳（メタデータ） (2020-06-22T14:35:33Z)
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。