論文の概要: New Variants of Frank-Wolfe Algorithm for Video Co-localization Problem
- arxiv url: http://arxiv.org/abs/2307.04319v1
- Date: Mon, 10 Jul 2023 03:20:47 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-11 14:21:34.346555
- Title: New Variants of Frank-Wolfe Algorithm for Video Co-localization Problem
- Title（参考訳）: ビデオコローカライズ問題に対するFrank-Wolfeアルゴリズムの新しい変数
- Authors: Hamid Nazari
- Abstract要約: コローカライズ問題は、一連の画像やビデオ内で同じクラスのオブジェクトを同時にローカライズするモデルである。
citejoulin2014efficientでは、Frank-Wolfeアルゴリズムの新しい変種(条件勾配反復と呼ばれる)を提案する。
著者らはそれぞれのアルゴリズムにおいて、ウルフギャップと呼ばれる値の減少率でそれらの手法の効率を示す。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The co-localization problem is a model that simultaneously localizes objects
of the same class within a series of images or videos. In
\cite{joulin2014efficient}, authors present new variants of the Frank-Wolfe
algorithm (aka conditional gradient) that increase the efficiency in solving
the image and video co-localization problems. The authors show the efficiency
of their methods with the rate of decrease in a value called the Wolfe gap in
each iteration of the algorithm. In this project, inspired by the conditional
gradient sliding algorithm (CGS) \cite{CGS:Lan}, We propose algorithms for
solving such problems and demonstrate the efficiency of the proposed algorithms
through numerical experiments. The efficiency of these methods with respect to
the Wolfe gap is compared with implementing them on the YouTube-Objects dataset
for videos.
- Abstract（参考訳）: コローカライズ問題は、同じクラスのオブジェクトを一連の画像やビデオの中に同時にローカライズするモデルである。
\cite{joulin2014 efficient}では、frank-wolfeアルゴリズム(条件勾配と呼ばれる)の新しい変種を紹介し、画像とビデオの共局所化問題を解決するための効率を高める。
筆者らは,アルゴリズムの各反復におけるWolfeギャップと呼ばれる値の減少率で,それらの手法の効率性を示す。
本稿では,条件勾配スライディングアルゴリズム (CGS) \cite{CGS:Lan} にヒントを得て,そのような問題を解くアルゴリズムを提案し,数値実験により提案アルゴリズムの有効性を実証する。
Wolfeギャップに関するこれらの手法の効率は、ビデオ用のYouTube-Objectsデータセットに実装したものと比較される。
関連論文リスト
- Approximate Frank-Wolfe Algorithm over Graph-structured Support Set [0.27195102129094995]
我々は、元のアルゴリズムを分析し、実装し、それに基づいていくつかの拡張を導入した。
新しいDMO法では十分な改善が得られなかったが,バックトラックライン探索法は効率よくイテレーション数を削減した。
論文 参考訳（メタデータ） (2024-11-07T03:04:58Z) - DFWLayer: Differentiable Frank-Wolfe Optimization Layer [33.20550212188619]
ニューラルネットワークに基づく機械学習の分野において、差別化可能な最適化は基礎的な役割を担っているため、かなりの注目を集めている。
本稿では,Frank-Wolfe法をロールアウトした微分可能なFrank-Wolfe Layer (DFWLayer)を提案する。
実験の結果、DFWLayerは解と勾配の競争精度を得るだけでなく、制約に一貫して従うことを示した。
論文 参考訳（メタデータ） (2023-08-21T15:53:38Z) - 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) - Adaptive Federated Minimax Optimization with Lower Complexities [82.51223883622552]
本稿では,これらのミニマックス問題の解法として,適応最小最適化アルゴリズム(AdaFGDA)を提案する。
運動量に基づく還元および局所SGD技術を構築し、様々な適応学習率を柔軟に組み込む。
論文 参考訳（メタデータ） (2022-11-14T12:32:18Z) - Amortized Implicit Differentiation for Stochastic Bilevel Optimization [53.12363770169761]
決定論的条件と決定論的条件の両方において、二段階最適化問題を解決するアルゴリズムのクラスについて検討する。
厳密な勾配の推定を補正するために、ウォームスタート戦略を利用する。
このフレームワークを用いることで、これらのアルゴリズムは勾配の偏りのない推定値にアクセス可能な手法の計算複雑性と一致することを示す。
論文 参考訳（メタデータ） (2021-11-29T15:10:09Z) - Lower Bounds and Optimal Algorithms for Smooth and Strongly Convex
Decentralized Optimization Over Time-Varying Networks [79.16773494166644]
通信ネットワークのノード間を分散的に保存するスムーズで強い凸関数の和を最小化するタスクについて検討する。
我々は、これらの下位境界を達成するための2つの最適アルゴリズムを設計する。
我々は,既存の最先端手法と実験的な比較を行うことにより,これらのアルゴリズムの理論的効率を裏付ける。
論文 参考訳（メタデータ） (2021-06-08T15:54:44Z) - Projection-Free Adaptive Gradients for Large-Scale Optimization [22.0439695290991]
フランク=ウルフアルゴリズムは、目的から近似した一階情報のみをクエリすることで、両方の計算負担を軽減するため、ユニークな位置を占める。
本手法は,制約付き最適化のための適応アルゴリズムの性能を向上させることができることを示す。
論文 参考訳（メタデータ） (2020-09-29T15:56:12Z) - Efficient Optimization of Dominant Set Clustering with Frank-Wolfe
Algorithms [4.873362301533825]
ドミナント・セット・クラスタリングの効率的な最適化のために,Frank-Wolfeアルゴリズム(標準,ペアワイズ,アウトステップ)について検討する。
フランク=ウルフ法の異なる変種を利用するための統一的で計算効率の良いフレームワークを提案する。
論文 参考訳（メタデータ） (2020-07-22T20:08:41Z) - A Flexible Framework for Designing Trainable Priors with Adaptive
Smoothing and Game Encoding [57.1077544780653]
我々は、前方通過を非滑らかな凸最適化問題として解釈できるニューラルネットワーク層の設計とトレーニングのための一般的なフレームワークを紹介する。
グラフのノードに代表されるローカルエージェントによって解決され、正規化関数を介して相互作用する凸ゲームに焦点を当てる。
このアプローチは、訓練可能なエンドツーエンドのディープモデル内で、古典的な画像の事前使用を可能にするため、画像の問題を解決するために魅力的である。
論文 参考訳（メタデータ） (2020-06-26T08:34:54Z) - Optimal and Practical Algorithms for Smooth and Strongly Convex
Decentralized Optimization [21.555331273873175]
ネットワークのノードにまたがるスムーズな凸関数の和を分散化最小化する作業について検討する。
本稿では,この分散最適化問題に対する2つの新しいアルゴリズムを提案し,複雑性を保証する。
論文 参考訳（メタデータ） (2020-06-21T11:23:20Z) - Cogradient Descent for Bilinear Optimization [124.45816011848096]
双線形問題に対処するために、CoGDアルゴリズム(Cogradient Descent Algorithm)を導入する。
一方の変数は、他方の変数との結合関係を考慮し、同期勾配降下をもたらす。
本アルゴリズムは,空間的制約下での1変数の問題を解くために応用される。
論文 参考訳（メタデータ） (2020-06-16T13:41:54Z)
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。