机器学习笔记 - JigsawNet论文解读
2023-09-14 09:01:35 时间
一、摘要
使用卷积神经网络和基于循环的组合的碎片图像重组
这里提出了一种新的算法,可以将任意切碎的图像重新组装到其原始状态。现有的重组管道通常由一个局部匹配阶段和一个全局组合阶段组成。在局部阶段,片段重组的一个关键挑战是可靠地计算和识别正确的成对匹配,大多数现有算法都使用手工制作的特征,因此不能可靠地处理复杂的难题。我们构建了一个深度卷积神经网络来检测成对拼接的兼容性,并用它来修剪计算的成对匹配。为了提高网络的效率和准确性,我们将CNN的计算转移到拼接区域并应用aboost训练策略。在全局组合阶段,我们将常用的贪婪边缘选择策略修改为两种新的基于回环的搜索算法。
二、引言
此处略去一大段,主要是说从碎片化的视觉数据中重新组装和恢复原始信息是比如法医和考古工作用很有意义。
片段重组问题可以表述为解决任意切割的拼图游戏。然而,教计算机可靠地做到这一点仍然具有挑战性,因为它在1964年中首次讨论。困难来自解谜的局部和全局方面。 (1) 在局部,我们需要识别相邻的块并正确对齐它们。但相关片段仅共享可匹配的几何形状和沿断裂边界的纹理。与在图像全景和运动结构等经典问题中研究的部分匹配不同,其中重叠(重复模式)通常更为显着,这里相邻片段之间的相关性较弱且难以识别。 (2) 总体而言,即使设计良好的成对对齐算法,由于各种噪声和模糊性,它通常并不总是可靠的。有效的组合需要从更全局的方面考虑相互一致性。不幸的是,强大的全局组合算法通常很复杂,计算量很大,并且容易出现局部最优。
对于局部匹配,在计算成对对齐之后&
相关文章
- 【原创】机器学习之PageRank算法应用与C#实现(2)球队排名应用与C#代码
- Coursera台大机器学习技法课程笔记10-Random forest
- 机器学习之深度学习
- 细思极恐!大数据和机器学习揭示十二星座的真实面目
- 机器学习笔记 - 使用自己收集的图片以及前馈神经网络,进行图像分类训练
- 机器学习笔记 - U-Net论文解读
- Paper之ICML:2009年~2019年ICML历年最佳论文简介及其解读—(International Conference on Machine Learning,国际机器学习大会)
- K近邻算法:机器学习萌新必学算法
- 有了这个机器学习画图神器,论文、博客都可以事半功倍了!
- 梯度下降算法原理讲解——机器学习
- Locust 多机器分布式测试
- 【机器学习】Python详细实现基于欧式Euclidean、切比雪夫Chebyshew、曼哈顿Manhattan距离的Kmeans聚类
- Shell脚本之为集群机器添加DNS
- 结合Java和机器学习技术,如何驾驭大数据提升业务效率和竞争力?
- 机器学习算法一之基于K均值聚类算法实现数据聚类及二维图像像素分割