该研究论文提出了一种基于低秩近似和可扩展的半定规划算法的高效全连通条件随机场推理方法,该方法可以用于以前无法解决的全连通 CRFs,如像素级图像共分割。
Apr, 2015
该研究提出了一种基于深度卷积神经网络和条件随机场的混合模型,通过 CRR 和 CNN 的结合,实现了在大规模数据的训练过程中对相似性进行估计和稀疏性先验的建模,并在 Middlebury 2014 和 Kitti 2015 等数据集上验证了该方法的有效性。
Nov, 2016
我们的研究工作的重点是通过决策导向的图学习,在组合优化问题中采用神经网络框架,提出了一个更高效和精确的框架。此外,我们引入了一个决策导向的框架,利用图神经网络解决具有辅助支持的组合优化问题。实验结果表明,我们的方法在经典组合优化问题上优于独立的图神经网络方法和传统方法。
Jun, 2024
定义了一个组合优化问题,其可行解定义了给定图形的分解和节点标记,并提出了两种局部搜索算法来高效地找到可行解,应用于计算机视觉任务达到 state-of-the-art 应用特定精度。
本文提出了一个基于决策的新颖学习方法,将常见图形优化问题的可微分代理作为学习系统中的一层进行集成,其主要思想是学习一个映射将原始优化问题映射到可以高效差分的简单代理问题。实验结果表明,我们的 ClusterNet 系统胜过纯粹的端到端方法(直接预测最优解)和完全分离学习和优化的标准方法。
May, 2019
本研究提出了一种使用 CRFs 优化和多头注意机制的深度估计方法,其中神经窗口 FC-CRFs 模块作为解码器,视觉变换器作为编码器,结果表明相对于以前的方法,在 KITTI 和 NYUv2 数据集上均能显著提高性能,并且该方法可直接应用于全景图像。
Mar, 2022
通过开发新的推理和学习框架,挑战当前视觉社区流行的基于高斯势函数的条件随机场模型,该框架可以通过梯度下降来学习成对的条件随机场势函数,可以考虑标准的空间和高维双边核,可用于深度神经网络中端到端地训练以提高语义分割的准确性。
Jan, 2017
本文介绍了双重分解及其在图形模型中的应用,以及解决在此框架下由于困惑循环而产生的整数相差较大的问题的方法,介绍了引入循环一致性和其他高阶一致性约束的基于簇的追踪算法,以及利用循环约束搜索算法和双重分解框架综合使用的算法,可以精确地解决由关系分类和立体视觉产生的 MAP 推断问题。
Oct, 2012
本文提出了一种基于图分类的方法,用于自动确定是使用整体式还是分解式的解决方案方法;通过适当的特征集,将优化问题表示为捕捉问题的变量和约束之间的结构和功能耦合的图;构建图分类器以确定给定问题的最佳解决方法;以解决分析凸混合整数非线性规划问题时使用分支定界法还是外逼近算法为例展示了所提出方法的应用;最后,展示了学习到的分类器如何并入现有的混合整数优化求解器中。
Oct, 2023
通过将图割方法与深度学习网络相结合,本研究提出了一种新颖的残差图割损失和准残差连接,实现了有效的特征学习和导向图割分割模型的梯度反向传播,在数据集上验证了良好的分割准确性和对抗性攻击的提高。
Dec, 2023