本文提出了一种基于函数提升的新型空间连续凸松弛框架,旨在解决多标签问题,与之前提出的基于函数提升的方法相比,本方法基于分段凸近似,因此需要更少的标签;与最近的基于 MRF 的方法相比,本方法在一个空间连续设置中进行,并且显示较少的栅格偏差;此外,本文的公式在局部意义上是可能得到的最紧凑的凸松弛,易于实现并允许在 GPU 上进行高效原始 - 对偶优化。本方法在几个计算机视觉问题上的效果证明了其有效性。
Dec, 2015
本文提出了一种通过凸松弛来拟合和分割多结构数据的方法,并演示了该方法在从图像中估算平面提取与单应性估计等问题上的高精度表现。
Jun, 2017
通过近似连续标签凸松弛方法导出子标签精确的多标记方法,扩展了总变差到一般凸和非凸正则化方法,同时得到了连续标签凸松弛方法离散化的系统方法。将所提出的方法用于获得向量 Mumford-Shah 函数的子标签精确和凸解,并在多个实验中表明可以使用更少的标签获得更精确的解决方案。
Nov, 2016
本文提出了一种将算法组件集成到端到端可训练的神经网络体系结构中的方法,通过条件语句、循环和索引来松弛离散条件,获得连续可微的算法。结果表明,所提出的连续松弛模型可以应用于多种任务。
Oct, 2021
本文提出了一种新的优化问题的解决方法,通过根据光线的深度和语义类确定其在图像中的位置,并在 QPBO 关系中将 2 标签问题转换为图可表示的形式,使用图切进行求解,解决了在 3D 模型中存在的可视化问题。
Jun, 2019
本文引入了一种基于连续标签的深层度量学习新方法,包括使用连续标签进行三元组损失和适应连续标签的三元组挖掘策略,同时实验结果显示该方法在三种不同的图像检索任务中表现出较优异性能。
Apr, 2019
通过学习相关可扩展的线性分配问题,我们提出了一种对数据进行对齐的方法,该方法在单细胞多组学和神经潜伏空间的数据集上取得了最先进的性能,并且在概念上和计算上非常简单。
Jun, 2024
该论文提出了一种通用的多类弱监督分类方法,其中引入了一种基于凸松弛的代价函数来解决软最大损失的本地极小问题,于是设计了一种算法来高效地解决相应的半定规划问题,并在不同数据集上表现出较好的效果,包括多实例学习和半监督学习,以及聚类任务。
Jun, 2012
本文提出一种基于能量最小化的模型,以离散和连续算法的一致方式进行优化,在离散设置中,我们提出了一种新的可大规模并行化的优化算法,在连续设置中,我们处理了非凸正则化的问题,所得到的混合离散连续算法可以通过现代 GPU 高效加速,并展示了在密集立体匹配和光流应用中的实时性能。
Jan, 2016
本研究提出两种技术来改进基于成对排名的多标签图像分类:(1)我们提出了一种新的损失函数,平滑且容易优化;(2)我们将标签决策模块纳入模型,估算每个视觉概念的最优置信阈值。我们在三个大规模数据集(VOC2007、NUS-WIDE 和 MS-COCO)上展示了我们方法的有效性,并取得了文献中报道的最佳结果。
Apr, 2017