本文将多标签离散马尔可夫随机场中的融合移动技术应用到图匹配问题中,结合了最新的双重方法,证明了这种方法在速度和解决方案质量方面的显著优势。经过广泛的图匹配数据集实证评估,本文所提出的方法大幅领先于其他竞争者,成为了学科发展的一个新的标杆。
Jan, 2021
本文提出了一种新的多项式时间算法来解决最小化无向图模型的能量问题,利用凸松弛方法得到部分最优非松弛积分解,并采用迭代修建策略优化算法,相较之前的方法表现更好。
Oct, 2014
该研究比较了 32 种现代化的最优化技术在计算机视觉中的应用,结果表明,与之前研究不同,多面体方法与整数规划解决方案在运行时间和解决方案质量方面在大范围的模型类型上具有竞争力。
Apr, 2014
本文提出一种基于 MRF 势能和标准的成对聚类准则的新分割模型,并利用 Kernel Cut 算法来处理这种混合的能量,以实现高效的图像分割。
Jun, 2015
证明 alpha-expansion 算法在 Potts 二元势场的马尔科夫随机场中总是返回全局最优赋值,但有一个要求:只对原问题实例的微小扰动中的一个赋值具有最优性。
Nov, 2020
该论文针对运动分割中的局限性提出了一种基于超图的最小成本量切割方法和相应的启发式算法,准确构建出点轨迹的高阶图形模型,以更好地区分运动模型的不同变换,结果在 FBMS-59 数据集上表现优于现有技术。
Apr, 2017
本文提出基于赋对问题的多模型匹配能量公式,以及基于最小费用最大流算法的高效求解器,该方法能够显著增加匹配数量,并且可以提高模型拟合精度。
Mar, 2013
本论文提出了一种新的离散能量最低化问题家族,称为简明标记。我们的能量函数包括一元潜势和高阶团势。其中,一元潜势是任意的,而团势则与分配给团的唯一标签的多样性成比例。我们的能量函数鼓励标记是简明的,即尽可能少地使用标签。此外,我们提出了一种高效的基于图割方法的算法,可以提供强有力的理论保证,用于简明标记问题。
Jul, 2015
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
该文提出了一种基于小块标记枚举的大图通用最小化方法,可用于复杂高阶能量的优化。该方法在曲率正则化等难解问题上表现优越,并通过一种新颖的积分几何方法直接评估小块的曲率。