Fugu-MT 論文翻訳(概要): DelTriC: A Novel Clustering Method with Accurate Outlier

論文の概要: DelTriC: A Novel Clustering Method with Accurate Outlier

arxiv url: http://arxiv.org/abs/2511.17219v1
Date: Fri, 21 Nov 2025 13:01:23 GMT
ステータス: 翻訳完了
システム内更新日: 2025-11-24 18:08:19.026154
Title: DelTriC: A Novel Clustering Method with Accurate Outlier
Title（参考訳）: DelTriC: 正確なアウトリーチを備えた新しいクラスタリング手法
Authors: Tomas Javurek, Michal Gregor, Sebastian Kula, Marian Simko,
Abstract要約: 本稿では,PCA/UMAPベースの投影とデラウネー三角測量を統合したクラスタリングアルゴリズムであるDelTriCと,元の高次元空間においてクラスタを形成する新しいバックプロジェクション機構を紹介する。 DelTriCはk-means、DBSCAN、HDBSCANといった従来の手法よりも多くのシナリオで優れている。
参考スコア（独自算出の注目度）: 0.6474760227870046
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The paper introduces DelTriC (Delaunay Triangulation Clustering), a clustering algorithm which integrates PCA/UMAP-based projection, Delaunay triangulation, and a novel back-projection mechanism to form clusters in the original high-dimensional space. DelTriC decouples neighborhood construction from decision-making by first triangulating in a low-dimensional proxy to index local adjacency, and then back-projecting to the original space to perform robust edge pruning, merging, and anomaly detection. DelTriC can outperform traditional methods such as k-means, DBSCAN, and HDBSCAN in many scenarios; it is both scalable and accurate, and it also significantly improves outlier detection.
Abstract（参考訳）: 本稿では,PCA/UMAPベースプロジェクションとデラウナィ三角法を統合したクラスタリングアルゴリズムであるDelTriC(Delaunay Triangulation Clustering)と,元の高次元空間においてクラスタを形成する新しいバックプロジェクション機構を紹介する。 DelTriCは、まず低次元のプロキシで三角測量して局所的隣接度をインデックスし、次に元の空間にバックプロジェクションして、堅牢なエッジプルーニング、マージ、異常検出を行う。 DelTriCは、k-means、DBSCAN、HDBSCANといった従来の手法よりも多くのシナリオで優れている。

関連論文リスト

3DKeyAD: High-Resolution 3D Point Cloud Anomaly Detection via Keypoint-Guided Point Clustering [12.85847828490656]
高分解能な3次元点雲は、産業検査における微妙な構造異常を検出するのに非常に効果的である。本稿では,マルチプロトタイプアライメントとクラスタ単位の差分解析を組み合わせた登録型異常検出フレームワークを提案する。 Real3D-ADベンチマークの実験により,提案手法はオブジェクトレベルの異常検出と点レベルの異常検出の両方において最先端の性能を実現することを示した。
論文参考訳（メタデータ） (2025-07-17T13:25:17Z)
Robust Multi-Dimensional Scaling via Accelerated Alternating Projections [5.778024594615575]
本稿では,ロバスト多次元(RMDS)問題について考察する。古典的MDSA理論に着想を得て, 交互投影法を提案する。
論文参考訳（メタデータ） (2025-01-04T06:28:10Z)
Rethinking Few-shot 3D Point Cloud Semantic Segmentation [62.80639841429669]
本稿では,FS-PCSによる3Dポイント・クラウドセマンティックセマンティックセグメンテーションについて再検討する。我々は、最先端の2つの重要な問題、前景の漏洩とスパースポイントの分布に焦点をあてる。これらの問題に対処するために、新しいベンチマークを構築するための標準化されたFS-PCS設定を導入する。
論文参考訳（メタデータ） (2024-03-01T15:14:47Z)
Learn to Cluster Faces with Better Subgraphs [13.511058277653122]
顔クラスタリングは、巨大な未ラベルの顔データに擬似ラベルを提供することができる。既存のクラスタリング手法は、均一な閾値や学習されたカットオフ位置に基づいて、サブグラフ内の特徴を集約する。本研究は、ノイズを著しく低減できる効率的な近傍対応サブグラフ調整法を提案する。
論文参考訳（メタデータ） (2023-04-21T09:18:55Z)
Semidefinite Relaxations for Robust Multiview Triangulation [53.360555898338106]
既存の緩和手法を最小2乗のコスト関数を組み込むことで、非ロバストなマルチビュー三角測量に拡張する。提案手法は,大きな雑音と大容量の異常の下でも,証明可能な最適再構成を計算できることを実証する。
論文参考訳（メタデータ） (2023-01-26T21:31:32Z)
CAGroup3D: Class-Aware Grouping for 3D Object Detection on Point Clouds [55.44204039410225]
本稿では,CAGroup3Dという新しい2段階完全スパース3Dオブジェクト検出フレームワークを提案する。提案手法は,まず,オブジェクト表面のボクセル上でのクラス認識型局所群戦略を活用することによって,高品質な3D提案を生成する。不正なボクセルワイドセグメンテーションにより欠落したボクセルの特徴を回復するために,完全にスパースな畳み込み型RoIプールモジュールを構築した。
論文参考訳（メタデータ） (2022-10-09T13:38:48Z)
Boosting RANSAC via Dual Principal Component Pursuit [24.942079487458624]
本稿では,強力な理論的支援と効率的なアルゴリズムを備えた頑健な部分空間学習手法としてDual principal Component Pursuit (DPCP)を紹介した。 2次元ホモグラフ、基本行列、基本行列、および3次元ホモグラフテンソルの推定実験は、我々のアプローチが最先端の代替よりも一貫して精度が高いことを示している。
論文参考訳（メタデータ） (2021-10-06T17:04:45Z)
Hybrid Trilinear and Bilinear Programming for Aligning Partially Overlapping Point Sets [85.71360365315128]
多くの応用において、部分重なり合う点集合が対応するRPMアルゴリズムに不変であるようなアルゴリズムが必要である。まず、目的が立方体有界関数であることを示し、次に、三線型および双線型単相変換の凸エンベロープを用いて、その下界を導出する。次に、変換変数上の分岐のみを効率よく実行するブランチ・アンド・バウンド(BnB)アルゴリズムを開発する。
論文参考訳（メタデータ） (2021-01-19T04:24:23Z)
3DSSD: Point-based 3D Single Stage Object Detector [61.67928229961813]
本稿では,3DSSDと命名された点ベース3次元単段物体検出器を提案し,精度と効率のバランスが良好であることを示す。提案手法は,最先端のボクセルをベースとした一段法を大差で上回り,二段法に匹敵する性能を有する。
論文参考訳（メタデータ） (2020-02-24T12:01:58Z)
Asymmetric Correlation Quantization Hashing for Cross-modal Retrieval [11.988383965639954]
クロスモーダルハッシュ法は異種モダリティ間の類似性検索において広く注目を集めている。本稿では,ACQH法について述べる。また,不均一なモダリティデータポイントのプロジェクション行列を学習し,クエリを潜在意味空間内の低次元実数値ベクトルに変換する。学習された実数値コードワードの連続でデータベースポイントを示すために、粗大な方法で埋め込みを積み重ねた合成量子化を構成する。
論文参考訳（メタデータ） (2020-01-14T04:53:30Z)

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。