离群值图匹配的零赋值约束
本文研究的是图匹配问题,提出了一种基于学习的方法,用于解决基于图的模式识别问题。通过训练示例和标签,我们可以学习节点与边之间的兼容性,在解决问题时可以取得更好的效果。实验结果表明,该方法比现有算法更为有效。
Jun, 2008
该论文提出了一种结合了稀疏表示和随机游走的新的离群值检测方法,通过定义合适的马尔科夫链从而将离群值和基本/非基本状态联系起来,实现了在大型数据集中正确检测离群点的目的。
Apr, 2017
本文提出了两种统一的异常值稳健估计公式,并调查了最基本的极限、实用算法和应用。首先,我们证明了在最坏情况下,异常值稳健估计是不可近似的,即使使用慢于多项式时间的算法也无法找到异常值集合。 其次,我们扩展了两种通用算法,这些算法不需要先验知识,并且可以动态决定如何从激光提取稳健的信息,同时提供了对机器人感知问题的评估。
Jul, 2020
本文介绍了一种名为ROBIN的方法,它基于不变量理论和兼容图模型,可以高效地解决机器人,计算机视觉和学习中数据关联和特征匹配引起的异常值问题。
Nov, 2020
本文通过统一的基准测试分析了计算机视觉图匹配问题的不同算法,提供了有价值的资源,研究表明:1)流行的问题实例可以在不到1秒的时间内得到精确解,因此不适用于未来的经验评估;2)最流行的基线方法远远不如最佳方法;3)尽管该问题是NP难的,但来自视觉应用的实例通常可以在几秒钟内解决,即使对于具有500个以上顶点的图形也是如此。
Jul, 2022
在没有节点标签的情况下,我们提出了一种在不精确匹配的情况下识别子图与完整图之间节点对应关系的方法,该方法包括两个步骤:提取子图的最小唯一拓扑保持子集及在全图中查找可行匹配,实现基于边界可交换性的独特路径配对扩展匹配集,并通过共识算法。
Sep, 2022
本文考虑了两个或多个图的部分匹配问题,采用了宇宙匹配方案,对内部匹配和异常点检测进行了建模,并且能够处理在线匹配、混合图匹配等情况,实验结果表明了方法的最先进性。
Oct, 2022
通过图神经网络结合数据驱动和传统方法,该研究提出了一种解决图匹配问题的模型,该模型利用了随机抽样策略降低了计算复杂度和GPU内存使用,并在几个任务上得到了显著的性能提升。
Mar, 2024
我们研究了不完全多图匹配问题,该问题是配对多个有限集合的NP难问题的推广,多图匹配在计算机视觉中起着关键作用,已经提出了许多专门的优化技术。我们填补了这一差距,并将已知的多维分配问题近似算法转化为不完全多图匹配问题。通过实验证明,我们的新方法在目标和运行时间方面显著优于以前的技术水平。我们的算法能够在两分钟内匹配超过500个关键点的29个图像,而考虑的最快竞争方法至少需要半小时,同时产生了更差的结果。
Jun, 2024