CVPRApr, 2020

LSM: 低层次视觉学习子空间最小化

PDF
TL;DR本文从新的角度研究低层视觉任务中的能量最小化问题，以可学习的子空间约束取代启发式正则化项，并保留数据项以利用任务的第一原理的领域知识。通过 LSM 框架，可以统一多个低层视觉任务的网络结构和参数，使用完全共享的参数同时训练单个网络，甚至将训练好的网络推广到未知任务上，只要能够制定其数据项。本文在交互式图像分割、视频分割、立体匹配和光流等四个低层任务上验证了 LSM 框架，并在各种数据集上验证了该网络。实验结果表明，所提出的 LSM 方法具有更小的模型大小、更快的训练收敛和实时推理以及优异的成果。
energy minimizationlow-level vision taskssubspace constraintnetwork structureslearnable
发现论文，激发创造
  • 最小二乘回归的稳健高效子空间分割

    研究多个线性子空间的数据分割问题。最新的方法使用稀疏表示、低秩表示及其扩展引起了广泛关注。该论文介绍了基于数据相关性提出的最小二乘回归 (Least Squares Regression, LSR) 方法，对实验数据进行处理，获得了比目前最先进的方法更高的分割准确性与更高的效率。

    Apr, 2014

  • LS-Net: 学习解决单目立体非线性最小二乘问题

    本研究提出了一种神经网络算法 LS-Net，用于优化基于平方和的目标函数。该算法不需要手动设置正则化参数，能够有效地优化具有挑战性的运动立体视觉问题。

    Sep, 2018

  • 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

  • 可学习的子空间聚类

    本文针对百万数据点的大规模子空间聚类问题提出了可学习的子空间聚类范式，使用可学习的参数函数将高维子空间划分为低维子空间，取代了传统编码模型的高成本，提高了聚类效率。通过对大规模数据集的实验验证，该模型在效率和准确性方面均优于现有的相关方法。

    Apr, 2020

  • 无需数据学习简化运动学

    本研究旨在自动识别高维物理系统中低能量状态下的低维子空间，通过使用神经网络来将低维潜在向量映射到完整的配置空间，并提出了对于任意系统兴趣的训练方案，为非线性、弹性体、布料子空间以及碰撞刚性体和连杆等更一般的系统都提供了有效的解决方案，可以用于操纵、标记插值和采样等应用.

    May, 2023

  • 学习神经网络子空间

    本文通过一次性的方法在神经网络中学习高准确度的线、曲线、和单纯形来寻找各种应对方法，达到了独立训练网络套索并在训练成本上类似的计算成本，增加了分类器的鲁棒性和准确性。

    Feb, 2021

  • 神经模式：非线性模态子空间的自监督学习

    我们提出一种自监督方法，用于学习基于物理的子空间进行实时模拟。通过近似预定义的模拟数据以纯几何方式构建子空间的现有基于学习的方法。然而，这种方法倾向于产生高能量配置，导致了纠缠的潜空间维度，并且在训练集之外的泛化能力较差。为了克服这些限制，我们提出了一种自监督方法，在训练期间直接最小化系统的机械能。我们证明了我们的方法导致了学习到反映物理平衡约束的子空间，解决了先前方法的过拟合问题，并提供可解释的潜空间参数。

    Apr, 2024

  • 连续子空间学习：概述

    本文通过直观的解释，概述了连续子空间学习方法的发展，着重指出未来研究中存在的一些开放性问题和挑战。

    Feb, 2021

  • MLSL: 多层次自监督学习，带有空间独立和语义一致标记的领域自适应

    本文提出了一种基于多级自监督学习模型的语义分割域自适应方法，通过分割多个子图像来生成空间独立且语义一致的伪标签，并计算图像级伪弱标签来捕捉源域和目标域中的全局上下文相似性，从而在像素数很少（例如小物体）的情况下帮助潜在空间学习表示。该方法在 GTA-V 到 Cityscapes 和 SYNTHIA 到 Cityscapes 的适应中均取得了优于现有方法的性能表现。

    Sep, 2019

  • 基于低秩背景子空间学习和图拉普拉斯正则化的高光谱目标检测

    本文提出了一种基于低秩表示（LRR）和图拉普拉斯正则化（GLR）的高效优化方法，用于解决高光谱目标检测中的未知背景字典和空间信息利用不足的问题，实验证明了该方法的有效性和优越性。

    Jun, 2023