論文の概要: GFPack++: Improving 2D Irregular Packing by Learning Gradient Field with Attention
- arxiv url: http://arxiv.org/abs/2406.07579v1
- Date: Sun, 9 Jun 2024 06:44:08 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-13 21:45:26.475625
- Title: GFPack++: Improving 2D Irregular Packing by Learning Gradient Field with Attention
- Title(参考訳): GFPack++: 意図したグラディエントフィールド学習による2次元不規則パッケージの改善
- Authors: Tianyang Xue, Lin Lu, Yang Liu, Mingdong Wu, Hao Dong, Yanbin Zhang, Renmin Han, Baoquan Chen,
- Abstract要約: 2次元不規則パッキングは、材料利用やテクスチャアトラス生成など、様々な応用における古典的な最適化問題である。
従来の数値法では、収束が遅く、計算コストが高い。
スコアベース拡散モデルのような既存の学習ベースの手法にも、回転支持の欠如、頻繁な衝突、任意の境界への適応性の低下、推論の遅さといった制限がある。
本稿では,この課題に対処する注目型勾配場学習手法GFPack++を提案する。
- 参考スコア(独自算出の注目度): 29.836816853278886
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: 2D irregular packing is a classic combinatorial optimization problem with various applications, such as material utilization and texture atlas generation. This NP-hard problem requires efficient algorithms to optimize space utilization. Conventional numerical methods suffer from slow convergence and high computational cost. Existing learning-based methods, such as the score-based diffusion model, also have limitations, such as no rotation support, frequent collisions, and poor adaptability to arbitrary boundaries, and slow inferring. The difficulty of learning from teacher packing is to capture the complex geometric relationships among packing examples, which include the spatial (position, orientation) relationships of objects, their geometric features, and container boundary conditions. Representing these relationships in latent space is challenging. We propose GFPack++, an attention-based gradient field learning approach that addresses this challenge. It consists of two pivotal strategies: \emph{attention-based geometry encoding} for effective feature encoding and \emph{attention-based relation encoding} for learning complex relationships. We investigate the utilization distribution between the teacher and inference data and design a weighting function to prioritize tighter teacher data during training, enhancing learning effectiveness. Our diffusion model supports continuous rotation and outperforms existing methods on various datasets. We achieve higher space utilization over several widely used baselines, one-order faster than the previous diffusion-based method, and promising generalization for arbitrary boundaries. We plan to release our source code and datasets to support further research in this direction.
- Abstract(参考訳): 2次元不規則パッキングは、材料利用やテクスチャアトラス生成など、様々な応用において古典的な組合せ最適化問題である。
このNPハード問題は、空間利用を最適化する効率的なアルゴリズムを必要とする。
従来の数値法では、収束が遅く、計算コストが高い。
スコアベース拡散モデルのような既存の学習ベースの手法にも、回転支持の欠如、頻繁な衝突、任意の境界への適応性の低下、推論の遅さといった制限がある。
教師パッキングから学ぶことの難しさは、オブジェクトの空間的(位置、向き)関係、幾何学的特徴、コンテナ境界条件など、パッキングの例間の複雑な幾何学的関係を捉えることである。
これらの関係を潜在空間で表現することは困難である。
本稿では,この課題に対処する注目型勾配場学習手法GFPack++を提案する。
それは、効果的な特徴符号化のための \emph{attention-based geometry encoding} と、複雑な関係を学ぶための \emph{attention-based relation encoding} の2つの重要な戦略から構成される。
本研究では,教師データと推論データの利用状況について検討し,訓練中の教師データの厳密化を優先する重み付け関数を設計し,学習効率の向上を図る。
我々の拡散モデルは連続的な回転をサポートし、様々なデータセット上で既存の手法より優れている。
広範に使用されているベースラインよりも高い空間利用を実現し、従来の拡散ベース手法よりも1次高速で、任意の境界に対する有望な一般化を実現した。
この方向のさらなる研究を支援するために、ソースコードとデータセットをリリースする予定です。
関連論文リスト
- Geometrically Inspired Kernel Machines for Collaborative Learning Beyond Gradient Descent [36.59087823764832]
本稿では,幾何学的にインスパイアされたカーネルマシンを用いた協調学習のための新しい数学的枠組みを開発する。
分類問題に対しては、与えられたデータ点の周りの有界な幾何学構造を学習することができる。
論文 参考訳(メタデータ) (2024-07-05T08:20:27Z) - Learning Gradient Fields for Scalable and Generalizable Irregular
Packing [28.814796920026172]
パッキング問題(英: packing problem)は、切断またはネスト(英: cutting or nesting)としても知られ、物流、製造、レイアウト設計、アトラス生成に様々な応用がある。
機械学習の最近の進歩、特に強化学習は、梱包問題に対処する上で有望であることを示している。
本研究では, 条件付き生成モデルとしてパッキング問題を定式化する, 機械学習に基づく新しい手法を深く研究する。
論文 参考訳(メタデータ) (2023-10-18T15:52:55Z) - 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) - Learning based 2D Irregular Shape Packing [29.044043493942013]
2次元不規則な形状パッキングは、3次元モデルのUVパッチをテクスチャアトラス内に配置するために必要なステップであり、コンピュータグラフィックスにおけるメモリ効率の高い外観レンダリングを実現する。
本稿では,学習支援型2次元不規則形状パッキング手法を提案する。
数百のパッチで大きな問題インスタンスを効率的に処理するために、私たちは、ほぼ矩形のパッチサブセットを予測するために、ディープニューラルネットワークポリシーをトレーニングします。
論文 参考訳(メタデータ) (2023-09-19T05:21:52Z) - Learning representations that are closed-form Monge mapping optimal with
application to domain adaptation [24.258758784011572]
最適輸送(OT)は、最小の努力原理に従って確率測度を比較し調整するための強力なツールである。
機械学習(ML)で広く使われているにもかかわらず、OT問題はまだ計算負担を負っている。
本稿では,これらの課題に表現学習を用いて取り組むことを提案する。
論文 参考訳(メタデータ) (2023-05-12T14:14:39Z) - Simple Stochastic and Online Gradient DescentAlgorithms for Pairwise
Learning [65.54757265434465]
ペアワイズ学習(Pairwise learning)とは、損失関数がペアインスタンスに依存するタスクをいう。
オンライン降下(OGD)は、ペアワイズ学習でストリーミングデータを処理する一般的なアプローチである。
本稿では,ペアワイズ学習のための手法について,シンプルでオンラインな下降を提案する。
論文 参考訳(メタデータ) (2021-11-23T18:10:48Z) - A Domain-Oblivious Approach for Learning Concise Representations of
Filtered Topological Spaces [7.717214217542406]
本稿では永続化図のバイナリコード表現を学習する永続化図ハッシュフレームワークを提案する。
このフレームワークは、学習過程を制御するための図距離損失関数を備えた生成逆ネットワーク(GAN)上に構築されている。
提案手法は,モデルの再学習を必要とせずに,様々なデータセットに直接適用することができる。
論文 参考訳(メタデータ) (2021-05-25T20:44:28Z) - 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) - Spatial-spectral Hyperspectral Image Classification via Multiple Random
Anchor Graphs Ensemble Learning [88.60285937702304]
本稿では,複数のランダムアンカーグラフアンサンブル学習(RAGE)を用いた空間スペクトルHSI分類手法を提案する。
まず、各選択されたバンドのより記述的な特徴を抽出し、局所的な構造と領域の微妙な変化を保存するローカルバイナリパターンを採用する。
次に,アンカーグラフの構成に適応隣接代入を導入し,計算複雑性を低減した。
論文 参考訳(メタデータ) (2021-03-25T09:31:41Z) - Connecting the Dots: Multivariate Time Series Forecasting with Graph
Neural Networks [91.65637773358347]
多変量時系列データに特化して設計された汎用グラフニューラルネットワークフレームワークを提案する。
グラフ学習モジュールを用いて,変数間の一方向関係を自動的に抽出する。
提案手法は,4つのベンチマークデータセットのうち3つにおいて,最先端のベースライン手法よりも優れている。
論文 参考訳(メタデータ) (2020-05-24T04:02:18Z) - Joint Parameter-and-Bandwidth Allocation for Improving the Efficiency of
Partitioned Edge Learning [73.82875010696849]
機械学習アルゴリズムは、人工知能(AI)モデルをトレーニングするために、ネットワークエッジにデプロイされる。
本稿では,パラメータ(計算負荷)割り当てと帯域幅割り当ての新しい共同設計に焦点を当てる。
論文 参考訳(メタデータ) (2020-03-10T05:52:15Z)
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。