Dec, 2015

非凸能量松弛的子标记精确方法

PDF
TL;DR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。
发现论文，激发创造
  • 非凸自由不连续问题的子标签精确离散化

    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

  • 凸松弛算法进行几何多模型拟合

    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

  • 连续多类标记方法和算法

    本文研究了基于度量交互势能的连续域图像标注问题的凸松弛问题，提出了两种不同的凸松弛方法并通过 Douglas-Rachford 迭代方案求解离散问题，结果在合成和实际图像上都表现出了优良性能，在非标准势能情况下，结合创新二值化技术能够恒定的恢复出图像标注的离散解。

    Feb, 2011

  • 密集 CRF 的高效连续松弛方法

    本研究论文提出了一种使用 Frank-Wolfe 算法来通过优化凸二次规划松弛问题的方法，此外还开发了一种分治方法来计算线性规划松弛的次梯度，以实现更好的能量最小化，与常用的均值场算法相比，本文研究表明连续松弛技术有更好的结果。

    Aug, 2016

  • 利用平面子问题加强 MRF 松弛

    该研究提出一种新技术，用于计算平面马尔科夫随机场的最小能量配置的下界，该方法通过双重分解框架中的子问题表示约束，并使用次梯度技术进行优化，最终可实现对原始图表的环一致性约束。

    Feb, 2012

  • MAP 推断的连续松弛：一个非凸视角

    本研究探讨离散马尔可夫随机场的最大后验概率推断的非凸连续松弛，研究表明该松弛对于任意马尔可夫随机场都是紧密的，并且可以通过简单的块坐标下降算法轻松地达到其离散稳定点。我们进一步研究了使用基于交替方向乘子法 (ADMM) 的多线性分解框架的高效解决方案，该方案在许多现实世界的问题上的实验证明，ADMM 比其他非凸松弛方法表现更好，并且在不同设置中与最先进的 MRF 优化算法比较时表现优异。

    Feb, 2018

  • 弱监督分类器的凸松弛

    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

  • 二次拟布尔优化的次模化

    提出了基于本地子模型逼近的优化框架（LSA），并使用 TR 和 AUX 原则，实现了在广泛应用中获得现有标准技术如 LBP，QPBO 和 TRWS 的最新结果。

    Nov, 2013

  • 利用稀疏对偶算法扩展凸壳

    论文提出了两种新的双重算法来解决神经网络边界问题，这些算法可以更紧密地边界和验证神经网络，同时具有之前方法的优点，可以更高效地获得更好的验证结果。

    Jan, 2021

  • 无生成框架及凸松弛法用于非监督学习

    本研究提出了一种新颖的理论框架，用于无监督学习，具有不需要任何生成模型和基于最坏情况性能指标的特点。特别地，本研究测量性能是相对于给定的假设类进行的比较，这有助于避免已知的计算难度结果和基于凸松弛的不当算法。我们展示了如何通过凸优化在我们的框架下有效地学习多个无监督学习模型家族，这些模型家族以前仅在概率假设下进行分析，并且在其他情况下是可以证明棘手的。

    Oct, 2016