Higher-order Markov Random Fields,

Higher-order Markov Random Fields, which can capture important properties of natural images, have become increasingly
important in computer vision. While graph cuts work well for first-order MRF’s, until recently they have rarely been effective for
higher-order MRF’s. Ishikawa’s graph cut technique [1], [2] shows great promise for many higher-order MRF’s. His method transforms
an arbitrary higher-order MRF with binary labels into a first-order one with the same minima. If all the terms are submodular the exact
solution can be easily found; otherwise, pseudoboolean optimization techniques can produce an optimal labeling for a subset of the
variables. We present a new transformation with better performance than [1], [2], both theoretically and experimentally. While [1], [2]
transforms each higher-order term independently, we use the underlying hypergraph structure of the MRF to transform a group of
terms at once. For n binary variables, each of which appears in terms with k other variables, at worst we produce n non-submodular
terms, while [1], [2] produces OðnkÞ. We identify a local completeness property under which our method perform even better, and show
that under certain assumptions several important vision problems (including common variants of fusion moves) have this property. We
show experimentally that our method produces smaller weight of non-submodular edges, and that this metric is directly related to the
effectiveness of QPBO [3]. Running on the same field of experts dataset used in [1], [2] we optimally label significantly more variables
(96 versus 80 percent) and converge more rapidly to a lower energy. Preliminary experiments suggest that some other higher-order
MRF’s used in stereo [4] and segmentation [5] are also locally complete and would thus benefit from our work

ผลลัพธ์ (ไทย) 1:

ขั้นสูง Markov สุ่มเขต ซึ่งสามารถจับภาพคุณสมบัติสำคัญของภาพธรรมชาติ ได้กลายเป็นมากขึ้นสำคัญในคอมพิวเตอร์วิทัศน์ ในขณะที่กราฟตัดงานดีแรกสั่ง MRF ของ เพราะพวกเขาไม่ค่อยมีการขั้นสูง MRF ของ กราฟของอิตัดเทคนิค [1], [2] แสดงสัญญาที่ดีสำหรับหลายขั้นสูง MRF ของ วิธีการแปลงของเขาการ MRF กำหนดขั้นสูงกับป้ายชื่อไบนารีเป็นหนึ่งครั้งแรกสั่งกับกมินิมาเหมือนกัน ถ้าเงื่อนไขทั้งหมดมี submodular แน่นอนโซลูชันที่สามารถพบได้ง่าย มิฉะนั้น เทคนิคการเพิ่มประสิทธิภาพ pseudoboolean สามารถผลิตการติดฉลากเหมาะสมที่สุดสำหรับชุดย่อยของการตัวแปร เรานำเสนอการแปลงใหม่ ด้วยประสิทธิภาพที่ดีกว่า [1], [2], ตามหลักวิชา และ experimentally ในขณะ [1], [2]แปลงสูงใบสั่งแต่ละระยะอย่างอิสระ เราใช้โครงสร้าง hypergraph พื้นฐานของ MRF ที่การเปลี่ยนกลุ่มเงื่อนไขในครั้งเดียว สำหรับตัวแปรฐานสอง n ซึ่งปรากฏในเงื่อนไขมี k ตัวแปรอื่น ๆ เลวร้ายที่สุดที่เราผลิต n ไม่ใช่-submodularเงื่อนไข ในขณะที่ [1], [2] สร้าง OðnkÞ เราระบุคุณสมบัติครบถ้วนภายในเครื่องซึ่งวิธีการของเราทำงานได้ดีขึ้น และแสดงว่า ภายใต้สมมติฐานบาง ปัญหาวิสัยทัศน์ที่สำคัญ (รวมทั้งตัวแปรทั่วไปย้ายฟิวชั่น) ได้นี้ เราexperimentally แสดงว่า วิธีการของเราผลิตขนาดเล็กน้ำหนักไม่ submodular ขอบ และที่ วัดนี้โดยตรงเกี่ยวข้องกับการประสิทธิภาพของ QPBO [3] ทำงานบนเขตข้อมูลเดียวกันของชุดข้อมูลผู้เชี่ยวชาญที่ใช้ใน [1], [2] เราอย่างเหมาะสมกำหนดชื่อตัวแปรมาก(96 เมื่อเทียบกับร้อยละ 80) และมาบรรจบกันมากขึ้นอย่างรวดเร็วเพื่อเป็นพลังงาน การทดลองเบื้องต้นแนะนำว่า บางอื่น ๆ ขั้นสูงใช้ของ MRF สเตอริโอ [4] และแบ่ง [5] ยังภายในเสร็จสมบูรณ์แล้ว และจะได้รับประโยชน์จากการทำงานของเราดังนั้น

ผลลัพธ์ (ไทย) 2:

ขั้นสูงมาร์คอฟฟิลด์สุ่มซึ่งสามารถจับภาพคุณสมบัติที่สำคัญของภาพที่เป็นธรรมชาติได้กลายเป็นมากขึ้นที่สำคัญในการมองเห็นของคอมพิวเตอร์
ในขณะที่การปรับลดกราฟทำงานได้ดีสำหรับการสั่งซื้อครั้งแรก MRF จนกระทั่งเมื่อเร็ว ๆ
นี้พวกเขาได้รับไม่ค่อยมีประสิทธิภาพสำหรับการสั่งซื้อที่สูงขึ้นของMRF เทคนิคการตัดกราฟของอิชิกาวะ [1], [2] แสดงให้เห็นสัญญาที่ดีสำหรับหลาย ๆ ขั้นสูงของ MRF วิธีการของเขาเปลี่ยนโดยพล MRF ขั้นสูงที่มีป้ายชื่อไบนารีเป็นลำดับแรกที่มีน้อยเหมือนกัน
หากเงื่อนไขทั้งหมดที่มี submodular
ที่แน่นอนโซลูชั่นที่สามารถพบได้ง่าย; ฉะนั้นเทคนิคการเพิ่มประสิทธิภาพ pseudoboolean
สามารถผลิตการติดฉลากที่เหมาะสมสำหรับการย่อยของที่ตัวแปร เรานำเสนอการเปลี่ยนแปลงใหม่ที่มีประสิทธิภาพดีกว่า [1], [2] ทั้งในทางทฤษฎีและการทดลอง ในขณะที่ [1] [2]
แปลงแต่ละระยะที่สูงขึ้นเพื่อเป็นอิสระเราใช้โครงสร้างพื้นฐานของ Hypergraph MRF
ที่จะเปลี่ยนกลุ่มของข้อตกลงในครั้งเดียว สำหรับตัวแปรไบนารี n แต่ละที่ปรากฏในข้อตกลงกับ k ตัวแปรอื่น ๆ ที่เราผลิตที่เลวร้ายที่สุดที่ไม่ n submodular
แง่ขณะที่ [1] [2] ผลิตOðnkÞ เราระบุคุณสมบัติครบถ้วนในท้องถิ่นภายใต้วิธีการดำเนินการของเราได้ดียิ่งขึ้นและแสดงว่าภายใต้สมมติฐานบางอย่างปัญหาการมองเห็นที่สำคัญหลายคน (รวมทั้งสายพันธุ์ที่พบบ่อยของการเคลื่อนไหวฟิวชั่น) มีคุณสมบัตินี้
เราแสดงให้เห็นว่าวิธีการทดลองของเราผลิตที่มีขนาดเล็กน้ำหนักขอบที่ไม่ submodular และตัวชี้วัดนี้จะเกี่ยวข้องโดยตรงกับประสิทธิภาพของQPBO [3] ทำงานในสาขาเดียวกันของผู้เชี่ยวชาญที่ใช้ในชุด [1], [2] เราได้อย่างดีที่สุดฉลากตัวแปรอย่างมีนัยสำคัญ(96 เทียบกับร้อยละ 80) และมาบรรจบกันมากขึ้นอย่างรวดเร็วเพื่อให้พลังงานต่ำ การทดลองเบื้องต้นชี้ให้เห็นว่าบางคนอื่น ๆ เพื่อที่สูงMRF ที่ใช้ในระบบเสียงสเตอริโอ [4] และการแบ่งส่วน [5] นอกจากนี้ยังสมบูรณ์ทั้งในประเทศและจึงจะได้ประโยชน์จากการทำงานของเรา

ผลลัพธ์ (ไทย) 3:

สั่งซื้อสูงแบบสุ่มฟิลด์ ซึ่งสามารถจับภาพคุณสมบัติสำคัญของภาพธรรมชาติได้กลายเป็นมากขึ้น
ที่สำคัญในวิสัยทัศน์คอมพิวเตอร์ ในขณะที่กราฟตัดทำงานได้ดีสำหรับความ mrf , จนกระทั่งเมื่อเร็วๆ นี้ เขาไม่ค่อยมีผลบังคับใช้สำหรับ
ระดับสูงของ อิชิคาว่า กราฟตัดเทคนิค mrf . [ 1 ] , [ 2 ] แสดงสัญญาที่ดีสำหรับหลายขั้นสูงวิธีการของเขาแปลง
mrf .เป็นขั้นสูงโดยพล mrf กับป้ายไบนารีที่เป็นครั้งแรกกับไม่นี่ ม๊าเหมือนกัน ถ้าเงื่อนไขทั้งหมดจะ submodular โซลูชั่นแน่นอน
สามารถพบได้ง่าย มิฉะนั้น เทคนิคการเพิ่มประสิทธิภาพ pseudoboolean สามารถผลิตฉลากที่เหมาะสมสำหรับชุดย่อยของ
ตัวแปร เรานำเสนอการเปลี่ยนแปลงใหม่ที่มีประสิทธิภาพดีกว่า [ 1 ] , [ 2 ] ทั้งทฤษฎีและการทดลอง . ในขณะที่ [ 1 ][ 2 ]
แปลงแต่ละระยะขั้นสูงอิสระเราใช้ต้นแบบไฮเปอร์กราฟโครงสร้างของ mrf แปลงกลุ่มของ
แง่ครั้ง สำหรับ n เลขฐานสองตัวแปรแต่ละที่ปรากฏในข้อตกลงกับ K ตัวแปรอื่น ๆที่เลวร้ายที่สุดเราผลิต N ไม่ submodular
แง่ , ในขณะที่ [ 1 ] [ 2 ] ผลิตโอð NK Þ . เราระบุภายในครบถ้วนคุณสมบัติภายใต้วิธีที่เราทำได้ดีกว่า และโชว์
ภายใต้สมมติฐานว่าบางปัญหาวิสัยทัศน์สำคัญหลาย ( รวมทั้งสายพันธุ์ทั่วไปของการย้าย ) ที่มีคุณสมบัตินี้ แสดงผลที่ได้จากวิธีเรา
ผลิตขนาดเล็กน้ำหนักไม่ submodular ขอบและตัวชี้วัดนี้จะเกี่ยวข้องโดยตรงกับประสิทธิภาพของ qpbo
[ 3 ] วิ่งบนสนามเดียวกันของผู้เชี่ยวชาญชุดข้อมูลที่ใช้ใน [ 1 ][ 2 ] เราได้อย่างดีที่สุดป้ายสูงกว่าตัวแปร
( 96 และร้อยละ 80 ) และมาบรรจบกันมากขึ้นอย่างรวดเร็ว ให้พลังงานต่ำ การทดลองเบื้องต้นพบว่า บางอื่น ๆขั้นสูง
mrf ใช้ในเครื่องเสียง [ 4 ] และการแบ่งส่วน [ 5 ] ยังมีภายในที่สมบูรณ์ และจะทำให้ได้ประโยชน์จากงานของเรา