論文の概要: ADS: Approximate Densest Subgraph for Novel Image Discovery

• arxiv url: http://arxiv.org/abs/2402.08743v1
• Date: Tue, 13 Feb 2024 19:27:34 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-15 17:53:37.957933
• Title: ADS: Approximate Densest Subgraph for Novel Image Discovery
• Title（参考訳）: ADS:新しい画像発見のための近似デンストグラフ
• Authors: Shanfeng Hu
• Abstract要約: 本稿では,新しい画像発見のための高速かつトレーニング不要なアルゴリズムを提案する。 我々のアルゴリズムの鍵は、画像の集合を距離重み付きグラフとして定式化することであり、その中で我々の仕事はK-デンストグラフを見つけることである。 より正確な画像のマイニングが可能でありながら、メモリフットプリントを小さくして実行する方がはるかに高速であることを示す。
• 参考スコア（独自算出の注目度）: 1.7839986996686323
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The volume of image repositories continues to grow. Despite the availability of content-based addressing, we still lack a lightweight tool that allows us to discover images of distinct characteristics from a large collection. In this paper, we propose a fast and training-free algorithm for novel image discovery. The key of our algorithm is formulating a collection of images as a perceptual distance-weighted graph, within which our task is to locate the K-densest subgraph that corresponds to a subset of the most unique images. While solving this problem is not just NP-hard but also requires a full computation of the potentially huge distance matrix, we propose to relax it into a K-sparse eigenvector problem that we can efficiently solve using stochastic gradient descent (SGD) without explicitly computing the distance matrix. We compare our algorithm against state-of-the-arts on both synthetic and real datasets, showing that it is considerably faster to run with a smaller memory footprint while able to mine novel images more accurately.
• Abstract（参考訳）: 画像リポジトリの量は増え続けている。 コンテンツベースのアドレッシングが利用可能であるにもかかわらず、私たちはまだ大きなコレクションから異なる特徴の画像を発見できる軽量なツールを持っていません。 本稿では,新しい画像発見のための高速かつ訓練不要なアルゴリズムを提案する。 我々のアルゴリズムの鍵は、画像の集合を知覚距離重み付きグラフとして定式化し、その中で、最もユニークな画像の部分集合に対応するK-デンスト部分グラフを見つけることである。 この問題を解くにはNPハードだけでなく、潜在的に巨大な距離行列の完全な計算を必要とするが、我々はそれをKスパース固有ベクトル問題に緩和し、距離行列を明示的に計算することなく確率勾配勾配(SGD)を効率的に解くことを提案する。 合成データセットと実データの両方の最先端データを比較した結果,メモリフットプリントを小さくすることで,新たな画像をより正確にマイニングできることがわかった。

関連論文リスト

• Image Understanding Makes for A Good Tokenizer for Image Generation [62.875788091204626]
  我々は,トークンシーケンスにイメージを投影する効果的なトークン化器に依存する,トークンベースのIGフレームワークを提案する。 我々は、強力なIU機能を持つトークン化装置が、さまざまなメトリクス、データセット、タスク、提案ネットワークで優れたIG性能を実現することを示す。
  論文  参考訳（メタデータ） (2024-11-07T03:55:23Z)
• A Mirror Descent-Based Algorithm for Corruption-Tolerant Distributed Gradient Descent [57.64826450787237]
  本研究では, 分散勾配降下アルゴリズムの挙動を, 敵対的腐敗の有無で解析する方法を示す。 汚職耐性の分散最適化アルゴリズムを設計するために、(怠慢な)ミラー降下からアイデアをどう使うかを示す。 MNISTデータセットの線形回帰、サポートベクトル分類、ソフトマックス分類に基づく実験は、我々の理論的知見を裏付けるものである。
  論文  参考訳（メタデータ） (2024-07-19T08:29:12Z)
• ZeroSearch: Local Image Search from Text with Zero Shot Learning [0.0]
  本稿では、ゼロショット学習を利用して、ユーザが提供するテキスト記述だけで画像クエリを作成するソリューションを提案する。 この論文の主な貢献は、事前訓練されたモデルを用いて画像から特徴を抽出するアルゴリズムの開発である。 アルゴリズムの出力は、類似性の下位順にソートされた画像のリストであり、ユーザーがより効率的に特定の画像を見つけるのに役立つ。
  論文  参考訳（メタデータ） (2023-05-01T08:27:24Z)
• {\mu}Split: efficient image decomposition for microscopy data [50.794670705085835]
  muSplitは、蛍光顕微鏡画像の文脈で訓練された画像分解のための専用アプローチである。 本稿では,大規模な画像コンテキストのメモリ効率向上を実現するメタアーキテクチャである横型文脈化(LC)を提案する。 muSplitを5つの分解タスクに適用し、1つは合成データセットに、もう4つは実際の顕微鏡データから導出する。
  論文  参考訳（メタデータ） (2022-11-23T11:26:24Z)
• Fast Key Points Detection and Matching for Tree-Structured Images [4.929206987094714]
  本稿では,木状パターンを用いたナノ解像度視覚識別子の画像マッチングに基づく新しい認証アルゴリズムを提案する。 提案アルゴリズムは様々な木構造画像マッチングに適用できるが,近年開発された視覚的識別子であるデンドライトに焦点をあてる。
  論文  参考訳（メタデータ） (2022-11-07T00:22:56Z)
• Cherry-Picking Gradients: Learning Low-Rank Embeddings of Visual Data via Differentiable Cross-Approximation [53.95297550117153]
  本稿では,大規模な視覚データテンソルの処理を行うエンドツーエンドのトレーニング可能なフレームワークを提案する。 提案手法は大規模多次元グリッドデータや,大規模受容領域上のコンテキストを必要とするタスクに特に有用である。
  論文  参考訳（メタデータ） (2021-05-29T08:39:57Z)
• UltraSR: Spatial Encoding is a Missing Key for Implicit Image Function-based Arbitrary-Scale Super-Resolution [74.82282301089994]
  本研究では,暗黙的イメージ関数に基づく,シンプルで効果的な新しいネットワーク設計であるUltraSRを提案する。 空間符号化は,次の段階の高精度暗黙的画像機能に対する欠落鍵であることを示す。 UltraSRは、すべての超解像スケールでDIV2Kベンチマークに最新のパフォーマンスを設定します。
  論文  参考訳（メタデータ） (2021-03-23T17:36:42Z)
• Image Retrieval for Structure-from-Motion via Graph Convolutional Network [13.040952255039702]
  本稿では,グラフ畳み込みネットワーク(GCN)に基づく新しい検索手法を提案する。 問合せ画像を取り巻くサブグラフを入力データとして構築することにより、問合せ画像と重なり合う領域を持つか否かを学習可能なGCNを採用する。 実験により,本手法は高度にあいまいで重複したシーンの挑戦的データセットにおいて,極めて優れた性能を示すことが示された。
  論文  参考訳（メタデータ） (2020-09-17T04:03:51Z)
• Online Dense Subgraph Discovery via Blurred-Graph Feedback [87.9850024070244]
  我々は高密度サブグラフ発見のための新しい学習問題を導入する。 まず,確率の高いほぼ最適解を求めるエッジ時間アルゴリズムを提案する。 そして、理論的保証のあるよりスケーラブルなアルゴリズムを設計する。
  論文  参考訳（メタデータ） (2020-06-24T11:37:33Z)
• A Survey on Patch-based Synthesis: GPU Implementation and Optimization [0.0]
  この論文は、小さな局所領域間の対応を見つけるためのパッチベースの合成とアルゴリズムの研究を調査する。 私たちが研究したアルゴリズムの1つは、PatchMatchで、画像の類似した領域や「パッチ」を見つけることができる。 コンピュータグラフィックスでは、画像から不要な物体を取り除き、画像中の物体をシームレスに移動させ、画像のアスペクト比を変え、映像の要約を行った。
  論文  参考訳（メタデータ） (2020-05-11T19:25:28Z)

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。