論文の概要: Playing with Kruskal: algorithms for flat and hierarchical watershed cuts

• arxiv url: http://arxiv.org/abs/2610.10012v1
• Date: Wed, 07 Oct 2026 13:03:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 21:58:22.915281
• Title: Playing with Kruskal: algorithms for flat and hierarchical watershed cuts
• Title（参考訳）: Kruskalで遊ぶ: 平らで階層的な流域切断のためのアルゴリズム
• Abstract要約: 階層的な)流域分割を計算するアルゴリズムの詳細なエンドツーエンドパイプラインを提示する。 初めて、私たちはこれらすべての流域の概念とアルゴリズムをコンパクトで理解可能な方法でまとめました。
• 参考スコア（独自算出の注目度）: 3.5572672578321316
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In the framework of edge-weighted graphs, watersheds have proven to be linked to well-known optimization problems, as Minimum Spanning Tree, which allowed the design of efficient algorithms for computing (hierarchical) watershed segmentations. In the present article, after reviewing the literature related to watershed segmentation, we present a detailed end-to-end pipeline of algorithms to compute (hierarchical) watershed segmentations, starting from the computation of graph-based image representations, up to the computation of connected components of the final (hierarchical) segmentation. We consider the several variations of watersheds, including their supervised and unsupervised versions, and the various ways of computing seeds, to name a few. For the first time, we bring together all these watershed notions and algorithms in a compact and understandable way. We aim at providing a reference for those interested in employing and reimplementing the watershed segmentation framework for their task at hand.
• Abstract（参考訳）: エッジ重み付きグラフの枠組みにおいて、流域は、(階層的な)流域分割を計算するための効率的なアルゴリズムを設計できる最小スパンニングツリー(Minimum Spanning Tree)のように、よく知られた最適化問題と関連があることが証明されている。 本稿では,流域セグメンテーションに関する文献を概観した後,最終(階層)セグメンテーションの連結成分の計算から,グラフに基づく画像表現の計算に至るまで,流域セグメンテーションの(階層)セグメンテーションを計算するアルゴリズムの詳細なエンドツーエンドパイプラインを提示する。 教師なし版や教師なし版,種子の計算方法など,さまざまな種類の流域について,いくつか例を挙げて検討する。 初めて、私たちはこれらすべての流域の概念とアルゴリズムをコンパクトで理解可能な方法でまとめました。 本研究の目的は,水系セグメンテーションフレームワークの採用と再実装に関心のある人たちへのリファレンスの提供である。

関連論文リスト

• Linearized Wasserstein dimensionality reduction with approximation guarantees [65.16758672591365]
  LOT Wassmap は、ワーッサーシュタイン空間の低次元構造を明らかにするための計算可能なアルゴリズムである。 我々は,LOT Wassmapが正しい埋め込みを実現し,サンプルサイズの増加とともに品質が向上することを示す。 また、LOT Wassmapがペア距離計算に依存するアルゴリズムと比較して計算コストを大幅に削減することを示す。
  論文  参考訳（メタデータ） (2023-02-14T22:12:16Z)
• Efficient Graph Field Integrators Meet Point Clouds [59.27295475120132]
  点雲を符号化するグラフ上での効率的な場積分のためのアルゴリズムを2種類提案する。 第1のクラスであるSeparatorFactorization(SF)は、ポイントメッシュグラフの有界属を利用するが、第2のクラスであるRFDiffusion(RFD)は、ポイントクラウドの一般的なepsilon-nearest-neighborグラフ表現を使用する。
  論文  参考訳（メタデータ） (2023-02-02T08:33:36Z)
• Higher-order Clustering and Pooling for Graph Neural Networks [77.47617360812023]
  グラフニューラルネットワークは、多数のグラフ分類タスクにおいて最先端のパフォーマンスを達成する。 HoscPoolはクラスタリングベースのグラフプーリング演算子で、階層的に高階情報をキャプチャする。 グラフ分類タスクにおいてHoscPoolを評価し,そのクラスタリングコンポーネントを地層構造を持つグラフ上で評価する。
  論文  参考訳（メタデータ） (2022-09-02T09:17:10Z)
• A Survey on Label-efficient Deep Segmentation: Bridging the Gap between Weak Supervision and Dense Prediction [115.9169213834476]
  本稿では,ラベル効率の高いセグメンテーション手法について概説する。 まず,様々な種類の弱いラベルによって提供される監督に従って,これらの手法を整理する分類法を開発する。 次に,既存のラベル効率のセグメンテーション手法を統一的な視点から要約する。
  論文  参考訳（メタデータ） (2022-07-04T06:21:01Z)
• Structural Entropy Guided Graph Hierarchical Pooling [8.080910755718511]
  本稿では,局所的な構造損傷と準最適問題の2つの問題に対処するために,階層型プール手法であるSEPを提案する。 SEPはグラフ分類ベンチマークにおいて最先端のグラフプーリング法より優れ、ノード分類では優れた性能が得られる。
  論文  参考訳（メタデータ） (2022-06-26T06:30:54Z)
• FlowPool: Pooling Graph Representations with Wasserstein Gradient Flows [3.655021726150369]
  既存のグラフプーリング法は、グラフ表現とそのプールバージョンとの類似性に関して保証を提供しない。 本稿では,ワッサーシュタイン距離を最小にすることで,グラフ表現の統計をプールされたデータに最適に保存するプーリング法であるFlowPoolを提案する。 本手法は自動微分が可能であり,エンドツーエンドのディープラーニングアーキテクチャに組み込むことができる。
  論文  参考訳（メタデータ） (2021-12-18T20:07:06Z)
• A Novel Falling-Ball Algorithm for Image Segmentation [0.14337588659482517]
  領域ベースセグメンテーションアルゴリズムである領域ベースFalling-Ballアルゴリズムを提案する。 提案アルゴリズムは,丘陵地帯から落下する球が捕集流域で止まると仮定して,捕集流域を検出する。
  論文  参考訳（メタデータ） (2021-05-06T12:41:10Z)
• Partition-based formulations for mixed-integer optimization of trained ReLU neural networks [66.88252321870085]
  本稿では,訓練されたReLUニューラルネットワークのための混合整数式について紹介する。 1つの極端な場合、入力毎に1つのパーティションがノードの凸殻、すなわち各ノードの最も厳密な可能な定式化を回復する。
  論文  参考訳（メタデータ） (2021-02-08T17:27:34Z)
• Enhancing Balanced Graph Edge Partition with Effective Local Search [41.4257628524592]
  グラフパーティションは、ワークロードバランスを達成し、並列グラフ処理システムにおけるジョブ完了時間を短縮するための重要なコンポーネントです。 本稿では,本問題の局所探索アルゴリズムについて検討し,既存の手法による分割結果をさらに改善する。
  論文  参考訳（メタデータ） (2020-12-17T08:58:06Z)
• Towards Efficient Scene Understanding via Squeeze Reasoning [71.1139549949694]
  我々はSqueeze Reasoningと呼ばれる新しいフレームワークを提案する。 空間地図上の情報を伝播するのではなく、まず入力特徴をチャネルワイドなグローバルベクトルに絞ることを学ぶ。 提案手法はエンドツーエンドのトレーニングブロックとしてモジュール化可能であり,既存のネットワークに簡単に接続可能であることを示す。
  論文  参考訳（メタデータ） (2020-11-06T12:17:01Z)
• The Semantic Mutex Watershed for Efficient Bottom-Up Semantic Instance Segmentation [15.768804877756384]
  本稿では,共同グラフ分割とラベリングのためのグリーディアルゴリズムを提案する。 アルゴリズムの効率のため、イメージをスーパーピクセルにオーバーセグメンテーションすることなく、直接ピクセル上で操作することができる。
  論文  参考訳（メタデータ） (2019-12-29T19:48:39Z)

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。