本文研究了离散能量最小化问题在 2 标签配对的情况下和三个以上标签的平面能量最小化问题的多项式时间内是否可以用合理的近似算法求解。结果表明,这两个问题都是 exp-APX 完全问题,不存在任何多项式时间的近似算法。此外,本文收集并综述了几个子类问题的复杂度,并将其排列在由 PO、APX 和 exp-APX 组成的复杂度尺度上,为视觉研究人员选择适当的模型或指导他们设计新算法提供了帮助。
Jul, 2016
通过使用基于梯度下降的算法,利用可微分的近似表示 $l_0$ 范数作为稀疏惩罚减少训练模型过程中的能源消耗和预测延迟,实验结果表明该方法能够在分类表现和能源效率之间达到更好的平衡。
Jul, 2023
本文探讨了如何通过双层优化问题来优化机器学习机制,并讨论了如何通过自动机器学习(AutoML)等方法来减少迭代步骤的计算成本,以及减少开发人工智能算法的碳足迹。作者还提出了在不同领域中解决这些问题的方法。
Jan, 2023
使用能量耗散网络在深度学习中提出了迭代计算下降方向以实现图像重构、特别是对噪声图像进行去模糊,超分辨率和医学图像中来实现。经实验证明,它可以控制网络在推断时遵循数据形成模型,并且它在单幅图像超分辨率和计算机成像重构上取得了良好效果,并进一步扩展到凸可行性问题。
Apr, 2019
通过学习优化方法,提出了一种类 Levenberg-Marquardt 算法的更新规则,以更高效地适应新的模型拟合问题,并且在准确性和速度上具有竞争力。
Nov, 2021
本研究探讨了多目标优化策略与深度神经网络结合的有效性,通过案例研究证明了该方法在多种应用程序中生成预测和分析方面具有价值。
May, 2023
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。
Mar, 2013
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
本文介绍了一种基于能量模型和深度神经网络,通过蒙特卡罗采样方法直接最小化相关负对数似然训练条件目标密度 p (y|x),可用于计算机视觉回归任务的新的概率解释回归方法,并在四个计算机视觉回归任务中表现优于其他概率和自信度方法,同时也具备更广泛的应用性,可用于估计年龄和头部姿势等任务。
Sep, 2019
通过建立神经网络的能量模型和迭代计算方法,使得深度学习能够处理算法计算等需要迭代推理的任务,并在离散和连续领域中展现出更准确和可推广的解决方案。
Jun, 2022