CLIPPER 是一个用于在噪声和异常值存在的情况下进行强健数据关联的框架,使用几何一致性的概念将问题建立在图论框架中。通过对组合问题的松弛求解,使用高效的投影梯度上升方法实现了低时间复杂度并且实验结果表明在高噪声和异常值下仍有较高的精度和召回率。
Nov, 2020
在数据关联中,我们提出了一个新的优化问题,使用图论形式化方法,充分利用加权图并寻求最密集的加权边团,进而引入了两种松弛方法,通过凸半定松弛和名为 CLIPPER 的快速一阶算法,实验结果显示,我们的算法在点云配准问题中表现出鲁棒性,当存在至少 95% 的异常值时,现有算法在 80% 的异常值时开始失效。
Feb, 2024
本文提出了一种基于最大团的三维点云配准方法,使用图形挖掘更多的局部信息来获取更精确的姿态假设并且在多项实验中表现出比其他算法更好的性能。
May, 2023
本文提出了一种非常高效的最大团算法,通过组合策略和基于图着色的边界和修剪,解决了匹配的成对约束问题,从而解决了三维点云配准中的问题。
Feb, 2019
提出了一种使用新的修剪技术的确切算法,可快速在非常大、稀疏的图中找到最大团,并提出了一个快得多且提供最优或接近最优解的启发式算法,同时在网络中检测重叠社区的开发方法。
Nov, 2014
本研究提出了一种基于新颖的修剪技术的精确算法,能够在大型稀疏图中快速找到最大团。实验结果表明,在大多数情况下,我们的算法比现有算法快数个数量级,并且我们还提出了一种能够在最优或接近最优解的情况下比精确算法快数个数量级的启发式变体。
Sep, 2012
提出了一个名为 TEASER 的算法,它使用 TLS 成本和图论框架来解决 3D 点集之间的快速且可靠的配准问题,能够在存在大量离群值的情况下有效地工作。该算法还提供了理论误差界限,并且在标准和 3DMatch 基准测试中都表现出跨越式的性能优势。
Jan, 2020
该论文提出了一种快速、并行的最大团算法,特别适用于求解大型稀疏图,具备线性运行时特性,并且采用巧妙的预剪枝和分支策略,通过核心数和启发式算法发现关键点,同时使用并行搜索树加速探索;应用该算法计算强时间连通性和压缩图。
Feb, 2013
我们实现了一种新算法来列举稀疏图中所有的极大团,并在大量的真实世界图形语料库上分析了其性能。我们的分析表明,该算法是第一个为列举大型稀疏图中所有极大团提供实用解决方案的算法。
Mar, 2011
本文提出一种多阶段学习方法,用于枚举最大团子集的搜索空间修剪,并展示其在不同领域图实例上的良好表现。
Sep, 2019