运动分割的高阶最小成本提升多切割
Multicuts 和 higher-order models 在图像分割和计算机视觉中被广泛应用,在考虑 higher-order terms 的计算插值中,我们提出了一种系统的方法,并对各种算法进行了全面和竞争性的评估,此方法允许计算出一组重要的模型的全局最优解,同时不会影响运行时间,同时还研究了可解的松弛问题和后处理技术。
May, 2013
本文提出了一种基于图形的跟踪方法,使用新的本地成对特征,解决包含离群点的多切割问题并在 MOT16 基准测试上取得了最优效果。
Aug, 2016
本研究通过将图划分的特征化为一组提升的多割来研究所有分解(聚类)的集合,发现了与通过必须连接和必须割约束定义分解类以及与度量比较聚类有关的实际相关的见解。通过定义提升多割多面体的某些面的属性,定义高效的分离程序并在分支中使用这些程序,找到了由最小成本提升多割定义的最优分解的算法。
Mar, 2015
介绍了一个新的算法 —— 提升拆分路径问题,通过引入提升边来提供路径连接性先验。提出了几类线性不等式的问题,同时提出了有效的割平面算法。提升拆分路径问题是多目标跟踪的一种自然模型,能够以优美的数学形式表示长时间范围内的相互作用。通过提升边可以避免 ID 转换问题,从而实现人物的跟踪。在输入检测方面,我们提出的算法可以有效地实现近乎最优分配,因此在 MOT 挑战的三个主要基准上都表现出显著优越性。
Jun, 2020
本文提出了利用 minibucket elimination 和 message-passing updates 两种方法来划定图形模型中 MPE 查询边界的多种算法,采用混合式方法平衡两者优势,实验证明其在 PASCAL2 推理挑战中取得第一名。
Oct, 2012
本文提出了一种基于空时提升 Multicut 公式的多摄像机多目标跟踪方法,其利用单摄像机跟踪器生成的先进 tracklet 作为提议,并通过 3D 几何投影获得新颖的预聚类以优化 tracklet,最后通过一个全局提升 Multicut 公式将 tracklet 匹配到多摄像机轨迹,并在 WildTrack 数据集上获得了近乎完美的性能。
Nov, 2021
本文介绍了一种新方法,首次允许将凸形约束应用于图像分割,该方法在最小成本多切问题上通过一类约束来实现,通过在分支 - 切割循环中将所提出的约束分离到最先进的 ILP 求解器的状态,得到了很好的结果。
Sep, 2015
本文提出了一种基于能量的方法,用于生成 “好” 的提议,帮助移动法生成适当的提议,进而提出了一种基于图近似的提议的图割移动算法 GA-fusion,实验证明,该算法在真实和合成问题上表现优异。
May, 2015