論文の概要: Multi-Phase Relaxation Labeling for Square Jigsaw Puzzle Solving
- arxiv url: http://arxiv.org/abs/2303.14793v1
- Date: Sun, 26 Mar 2023 18:53:51 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-28 17:31:53.695292
- Title: Multi-Phase Relaxation Labeling for Square Jigsaw Puzzle Solving
- Title（参考訳）: 正方形Jigsawパズル解法のための多相緩和ラベル
- Authors: Ben Vardi, Alessandro Torcinovich, Marina Khoroshiltseva, Marcello
Pelillo, Ohad Ben-Shahar
- Abstract要約: 本稿では,大域最適化に基づく二乗ジグソーパズルの解法を提案する。
この手法は完全に自動化されており、事前情報を前提とせず、未知または未知のピースオリエンテーションでパズルを扱うことができる。
- 参考スコア（独自算出の注目度）: 73.58829980121767
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We present a novel method for solving square jigsaw puzzles based on global
optimization. The method is fully automatic, assumes no prior information, and
can handle puzzles with known or unknown piece orientation. At the core of the
optimization process is nonlinear relaxation labeling, a well-founded approach
for deducing global solutions from local constraints, but unlike the classical
scheme here we propose a multi-phase approach that guarantees convergence to
feasible puzzle solutions. Next to the algorithmic novelty, we also present a
new compatibility function for the quantification of the affinity between
adjacent puzzle pieces. Competitive results and the advantage of the
multi-phase approach are demonstrated on standard datasets.
- Abstract（参考訳）: 本稿では,グローバル最適化に基づく正方形ジグソーパズルの解法を提案する。
この手法は完全に自動的であり、事前情報を前提とせず、既知のあるいは未知のピース指向を持つパズルを扱うことができる。
最適化プロセスの中核は非線形緩和ラベル付けであり,局所的な制約から大域解を導出するためのよく確立された手法であるが,ここでは古典的スキームと異なり,実現可能なパズル解への収束を保証する多相法を提案する。
アルゴリズムの新規性に加えて,隣接するパズルピース間の親和性の定量化のための新しい互換性関数も提示する。
競合的な結果とマルチフェーズアプローチの利点は、標準データセット上で実証される。
関連論文リスト
- Actively Learning Combinatorial Optimization Using a Membership Oracle [10.834947136134463]
会員オラクルを用いて未知の線形制約を用いて最適化問題を解くことを検討する。
意思決定者の目標は、オラクルの呼び出し数に関する予算の対象となる最善の解決策を見つけることである。
代用線形制約を学習し、活用することで問題を解決するために、古典的なフレームワークを適応させる。
論文 参考訳（メタデータ） (2024-05-23T01:34:21Z) - Optimizing Solution-Samplers for Combinatorial Problems: The Landscape
of Policy-Gradient Methods [52.0617030129699]
本稿では,DeepMatching NetworksとReinforcement Learningメソッドの有効性を解析するための新しい理論フレームワークを提案する。
我々の主な貢献は、Max- and Min-Cut、Max-$k$-Bipartite-Bi、Maximum-Weight-Bipartite-Bi、Traveing Salesman Problemを含む幅広い問題である。
本分析の副産物として,バニラ降下による新たな正則化プロセスを導入し,失効する段階的な問題に対処し,悪い静止点から逃れる上で有効であることを示す理論的および実験的証拠を提供する。
論文 参考訳（メタデータ） (2023-10-08T23:39:38Z) - SIGMA: Scale-Invariant Global Sparse Shape Matching [50.385414715675076]
非剛体形状の正確なスパース対応を生成するための新しい混合整数プログラミング(MIP)法を提案する。
いくつかの挑戦的な3Dデータセットに対して,スパースな非剛性マッチングの最先端結果を示す。
論文 参考訳（メタデータ） (2023-08-16T14:25:30Z) - Linearization Algorithms for Fully Composite Optimization [61.20539085730636]
本稿では,完全合成最適化問題を凸コンパクト集合で解くための一階アルゴリズムについて検討する。
微分可能および非微分可能を別々に扱い、滑らかな部分のみを線形化することで目的の構造を利用する。
論文 参考訳（メタデータ） (2023-02-24T18:41:48Z) - Reinforcement Learning Methods for Wordle: A POMDP/Adaptive Control
Approach [0.3093890460224435]
我々は、新しい強化学習手法を用いて、人気のあるWordleパズルの解法に対処する。
Wordleパズルでは、比較的控えめな計算コストで最適に近いオンラインソリューション戦略が得られる。
論文 参考訳（メタデータ） (2022-11-15T03:46:41Z) - Optimization of Robot Trajectory Planning with Nature-Inspired and
Hybrid Quantum Algorithms [0.0]
産業規模でロボット軌道計画問題を解く。
我々のエンドツーエンドソリューションは、高度に多目的なランダムキーアルゴリズムとモデル積み重ねとアンサンブル技術を統合している。
我々は、後者が我々のより大きなパイプラインにどのように統合され、問題に対する量子対応ハイブリッドソリューションを提供するかを示す。
論文 参考訳（メタデータ） (2022-06-08T02:38:32Z) - An Inexact Augmented Lagrangian Algorithm for Training Leaky ReLU Neural
Network with Group Sparsity [13.27709100571336]
近年,グループ正規化期間を持つリーク型ReLUネットワークが広く利用されている。
定常点を決定論的に計算する手法が存在しないことを示す。
本稿では,新しいモデルを解くための不正確な拡張ラグランジアンアルゴリズムを提案する。
論文 参考訳（メタデータ） (2022-05-11T11:53:15Z) - Learning Proximal Operators to Discover Multiple Optima [66.98045013486794]
非家族問題における近位演算子を学習するためのエンドツーエンド手法を提案する。
本手法は,弱い目的と穏やかな条件下では,世界規模で収束することを示す。
論文 参考訳（メタデータ） (2022-01-28T05:53:28Z) - Adaptive Sampling for Best Policy Identification in Markov Decision
Processes [79.4957965474334]
本稿では,学習者が生成モデルにアクセスできる場合の,割引マルコフ決定(MDP)における最良の政治的識別の問題について検討する。
最先端アルゴリズムの利点を論じ、解説する。
論文 参考訳（メタデータ） (2020-09-28T15:22:24Z) - Stochastic gradient algorithms from ODE splitting perspective [0.0]
我々は、ODEの近似解の分割スキームに遡る最適化に関する異なる見解を示す。
そこで本研究では, ODE の勾配一階分割方式と降下アプローチの関連性について述べる。
我々は、機械学習アプリケーションにインスパイアされた分割の特殊なケースを考察し、それに対するグローバルスプリッティングエラーに新たな上限を導出する。
論文 参考訳（メタデータ） (2020-04-19T22:45:32Z)
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。