鲁棒性凸分割
通过稀疏矩阵和低秩矩阵的和来解决非语义无监督视频目标分割问题,并提出了一种比常见凸松弛更易于计算的非负鲁棒主成分分析方法,在局部搜索方法下可以保证物体分割的唯一性和全局最优性。
Jul, 2019
本文研究了严格无监督视频对象分割的问题,利用一种 John Tukey 启发式的 ' 异常度量 ' 方法从低级别的视觉数据中找到前景对象以及估计每个数据来源的可靠性。在各种视频特性变化的情况下,该方法取得了在 DAVIS 数据集上的最先进结果,并使用 Tukey-inspired 的方法对多种分割方法进行联合,其中包括使用训练,运行时或两者的监督的分割方法,这种方法相对更加稳健,将分割方法的 Jaccard 度量提高了高达 28%。
Nov, 2018
本文首次给出了一个多项式时间算法,用于在示例和标签中对抗性堕落下执行线性或多项式回归,并基于 SoS 方法提出了一种自然的凸松弛方法来解决非凸优化问题。
Mar, 2018
在密集识别任务中,采用基于掩码预测的方法可以有效提高对异常情况的识别性能,该方法有效减少了边界处的假阳性响应。在无负面数据训练的情况下,该方法在 outlier-aware 语义分割任务中取得了最新的最佳性能,并在最近的 panoptic setup 中取得了进一步的性能提升。
Jan, 2023
提出了一种基于随机平滑的图像和点云分割的新认证方法,利用多重测试机制确保统计保证,并能够对单一像素或点进行分类性弃权,实现对整个输入的鲁棒分割,实验证明算法在真实世界的分割任务中具有具有竞争力的精度和认证保证。
Jul, 2021
本文探讨了在存在随机噪声、大量离群点和缺失数据的情况下,通过凸规划方法提高低秩矩阵估计的理论保证。结果表明,当未知矩阵是很好条件的、不一致的和具有恒定秩时,通过凸规划实现了接近最优的统计精度。即使有近乎恒定的观测值被任意大小的离群值所污染,都可以获得令人满意的结果。
Jan, 2020
在存在对抗离群值的情况下,我们开发了有效的算法来估计未知分布的低阶矩。这些算法的保证在许多情况下显著优于 Diakonikolas 等人、Lai 等人和 Charikar 等人的最佳先前算法,同时我们还展示了这些算法的保证与我们考虑的分布类别的信息论下界相匹配,这些改进的保证使我们能够在存在离群值的情况下提供改进的独立成分分析和学习混合高斯的算法,我们的算法基于对下面概念简单优化问题的标准平方和松弛:在所有矩与未知分布相同的分布中,找到与对抗性污染样本的经验分布在统计距离上最接近的分布。
Nov, 2017