×
杨旭；刘志勇

马尔可夫随机场推理的双梯度方法。 （英语） Zbl 1474.62335号

SIAM J.成像科学。 1354-1373（2021）第3期第14页.
摘要：马尔可夫随机场（MRF）中的最大后验概率（MAP）推理为许多计算机视觉任务奠定了基础，这些任务可以用二元二次规划（BQP）问题来表示。与离散方法相比，连续松弛方法因其通用性和高效性而受到欢迎。然而，现有的基于连续松弛的MAP算法仍然受到两个问题的限制，即原始目标函数高度非凸以及原始BQP问题与松弛的连续优化问题之间的差距。针对这两个问题，本文提出了一种用于MRF中MAP推理的双梯度连续松弛算法，分别是基于高斯平滑的梯度非凸过程和基于条件梯度上升的梯度投影。在合成数据和真实图像上的实验表明，该算法在目标函数优化和典型的计算机视觉任务中具有最先进的性能。

MSC公司：

62M40型 随机字段；图像分析
68平方英寸10 图像处理的计算方法

关键词：

最大后验概率；马尔可夫随机场；高斯滤波；连续松弛

软件：

GMNN公司；深度实验室
PDF格式BibTeX公司 XML格式引用
\textit{X.Yang}和\textit{Z.-Y.Liu}，SIAM J.成像科学。14，编号3，1354---1373（2021；Zbl 1474.62335）
全文： 内政部

参考文献：

[1] L.Chen、G.Papandreou、I.Kokkinos、K.Murphy和A.L.Yuille，《DeepLab:使用深度卷积网络、反褶积和全连接CRF进行语义图像分割》，IEEE Trans。模式分析。机器。智力。，40（2018年），第834-848页。
[2] M.Qu、Y.Bengio和J.Tang，GMNN：图马尔可夫神经网络，《2019年机器学习国际会议论文集》，第5241-5250页。
[3] D.Jin、Z.Y.Liu、W.H.Li、D.X.He和W.X.Zhang，图卷积网络满足马尔可夫随机场：属性网络中的半监督社区检测，《AAAI人工智能会议论文集》，2019年，第152-159页。
[4] R.Szeliski、R.Zabih、D.Scharstein、O.Veksler、V.Kolmogorov、A.Agarwala、M.Tappen和C.Rother，马尔可夫随机场能量最小化方法与平滑先验的比较研究，IEEE Trans。模式分析。机器。智力。，30（2008），第1068-1080页。
[5] S.Barnard，《尺度上的随机立体匹配》，国际计算机杂志。视觉。，3（1989年），第17-32页。
[6] D.Geiger和F.Girosi，MRFs中的并行和确定性算法：曲面重建，IEEE Trans。模式分析。机器。智力。，13（1991），第401-412页。
[7] J.Besag，《关于脏照片的统计分析》，J.Roy。统计师。Soc.序列号。B、 48（1986），第259-302页·Zbl 0609.62150号
[8] O.Veksler，带量化边的全CRF的高效图切割优化，IEEE Trans。模式分析。机器。智力。，42（2020年），第1005-1012页。
[9] Y.Boykov、O.Veksler和R.Zabih，通过图形切割实现快速近似能量最小化，IEEE Trans。模式分析。机器。智力。，23（2001），第1222-1239页。
[10] J.Yedidia、W.Freeman和Y.Weiss，广义信念传播，《神经信息处理系统进展论文集》，2000年，第689-695页。
[11] M.J.Wainwright、T.S.Jaakkola和A.S.Willsky，通过树协议进行MAP估计：消息传递和线性规划，IEEE Trans。通知。《理论》，51（2005），第3697-3717页·Zbl 1318.94025号
[12] J.H.Kappes、B.Andres、F.A.Hamprecht、C.Schnorr、S.Nowozin、D.Batra、S.Kim、B.X.Kausler、T.Kroger、J.Lellmann、N.Komodakis、B.Savchynskyy和C.Rother，《离散能量最小化问题现代推理技术的比较研究》，国际计算机杂志。视觉。，115（2015），第155-184页。
[13] M.Leordeanu和M.Hebert，稠密能量函数的有效MAP近似，《机器学习国际会议论文集》，2006年，第545-552页。
[14] M.Leordeanu、M.Hebert和R.Sukthankar，用于图匹配和MAP推理的整数投影不动点方法，《神经信息处理系统进展刊》，2009年，第1114-1122页。
[15] T.Cour和J.B.Shi，用谱松弛求解马尔可夫随机场，《国际人工智能与统计会议论文集》，2007年，第75-82页。
[16] C.Zach、C.Hane和M.Pollefeys，《在多标签问题的凸松弛中优化什么：连接离散和连续启发的MAP推理》，IEEE Trans。模式分析。机器。智力。，36（2014），第157-170页。
[17] M.J.Wainwright和M.I.Jordan，带圈图上近似推理的半定方法，《神经信息处理系统进展学报》，2003年，第369-376页。
[18] P.H.S.Torr，使用半定规划求解马尔可夫随机场，《国际人工智能与统计会议论文集》，2003年，第1-8页。
[19] M.Kumar、P.H.S.Torr和A.Zisserman，使用二阶锥编程松弛求解马尔可夫随机场，《IEEE计算机视觉和模式识别会议论文集》，IEEE，2006年，第1045-1052页。
[20] P.Ravikumar和J.Lafferty，度量标记和马尔可夫随机场MAP估计的二次规划松弛，《国际机器学习会议论文集》，2006年，第737-744页。
[21] A.Kumar和S.Zilberstein，MAP估计二次规划公式的消息传递算法，《人工智能不确定性国际会议论文集》，2011年，第428-435页。
[22] J.Jancsary、S.Nowozin和C.Rother，《结构化预测的学习凸（QP）松弛》，《机器学习国际会议论文集》，2013年，第915-923页。
[23] A.Desmaison、R.Bunel、P.Kohli、P.H.S.Torr和M.P.Kumar，密集型慢性肾衰的有效持续松弛，《欧洲计算机视觉会议论文集》，2016年，第818-833页。
[24] D.Khue Le-Huu和N.Paragios，MAP推理的连续松弛：一个非凸的观点，《IEEE计算机视觉和模式识别会议论文集》，IEEE，2018年，第5533-5541页。
[25] 刘振英，乔海平，苏海平，通过分级非凸性和凹性程序利用MRF进行MAP推断，《国际会议论文集神经信息处理》，2014年，第404-412页。
[26] A.Blake和A.Zisserman，《视觉重建》，麻省理工学院出版社，马萨诸塞州剑桥，1987年。
[27] D.Terzopoulos，可见表面表示的计算，IEEE Trans。模式分析。机器。智力。，10（1988年），第417-438页·Zbl 0669.65009号
[28] M.Nikolva，使用GNC方法的马尔科夫重建，IEEE Trans。图像处理。，8（1999），第1204-1220页。
[29] L.Vese，《通过曲线演化使函数凸化的方法》，《Comm.偏微分方程》，24（1999），第1573-1591页·Zbl 0935.35087号
[30] H.Mobahi和J.W.Fisher，《关于高斯同伦延拓和凸包络之间的联系》，《计算机视觉和模式识别中能量最小化方法国际会议论文集》，2015年，第43-56页。
[31] M.Frank和P.Wolfe，二次规划算法，Nav。Res.Logist公司。Q.，3（1956年），第95-110页。
[32] M.Jaggi，《重温Frank-Wolfe:无投影稀疏凸优化》，《机器学习国际会议论文集》，2013年，第427-435页。
[33] X.Yang，Z.Y.Liu，和H.Qiao，基于特征对应的图匹配延拓方法，IEEE Trans。模式分析。机器。智力。，42（2020），第1809-1822页。
[34] J.M.Borwein和A.S.Lewis，《凸分析和非线性优化：理论和实例》，Springer-Verlag，纽约，2006年·Zbl 1116.90001号
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。