本文证明了基于网络的多智能体设置中一类非凸优化的分布式算法的全局最优收敛性。允许使者通过时变无向图进行通信。假设Eachagent具有局部目标函数(假设是平滑的,但可能是非凸的)。本文考虑了优化求和函数的算法。提出了一种共识+创新类型的分布式算法,它依赖于代理级别的一阶信息。在网络连通性和成本目标的适当条件下,通过退火型方法实现对全局最优的收敛,并且在每个代理的更新步骤中独立地添加衰减高斯噪声。表明所提出的算法在概率上收敛于和函数的全局最小值集合。
translated by 谷歌翻译
我们考虑在网络环境(例如,互联网(IoT)和传感器网络)中的$ K $ -means聚类,其中数据固有地分布在各个节点上,并且每个节点处的处理能力可能是有限的。我们考虑称为网络化$ K $ -means或$ NK $ -means的aclustering算法,它仅用于本地邻域信息交换。信息交换仅限于低维统计数据,而不是代理商的原始数据。所提出的方法开发了一个参数族多代理聚类目标(由$ \ rho $参数化)和相关的分布式$ NK $ -meansalgorithms(也由$ \ rho $参数化)。带参数$ \ rho $的$ NK $ -means算法收敛到一组相对于相关多代理目标的固定点(指定为“广义最小值”)。通过$ \ rho $的适当选择,广义最小值的集合可以任意地与Lloyd的最小值集相关联。因此,$ NK $ -means算法可用于计算集合数据集的Lloyd最小值,直到任意精度。
translated by 谷歌翻译
本文重点讨论\ emph {constrained} \ emph {stochastic}优化问题。提出了一种零阶Frank-Wolfe算法,该算法除了香草Frank-Wolfe算法的无投影特性外,还使其无梯度。在凸性和平滑性假设下,我们证明了所提出的算法以$ O \ left(1 / T ^ {1/3} \ right)$的速率收敛到最优目标函数,其中$ T $表示迭代计数。特别地,原始次优性间隙被示出具有$ O \ left(d ^ {1/3} \ right)$的维度依赖性,这是所有零阶优化算法中的最佳已知维度依赖性,其中每次迭代具有一个方向衍生物。对于非凸函数,我们得到\ emph {Frank-Wolfe}间隙为$ O \ left(d ^ {1/3} T ^ { - 1/4} \ right)$。实验黑框优化设置证明了所提算法的有效性。
translated by 谷歌翻译
Gossip algorithms are attractive for in-network processing in sensor networksbecause they do not require any specialized routing, there is no bottleneck orsingle point of failure, and they are robust to unreliable wireless networkconditions. Recently, there has been a surge of activity in the computerscience, control, signal processing, and information theory communities,developing faster and more robust gossip algorithms and deriving theoreticalperformance guarantees. This article presents an overview of recent work in thearea. We describe convergence rate results, which are related to the number oftransmitted messages and thus the amount of energy consumed in the network forgossiping. We discuss issues related to gossiping over wireless links,including the effects of quantization and noise, and we illustrate the use ofgossip algorithms for canonical signal processing tasks including distributedestimation, source localization, and compression.
translated by 谷歌翻译
我们提供了一种实用且强大的深度学习解决方案,用于捕捉和渲染复杂现实世界场景的新视图以进行虚拟探索。以前的方法要么需要难以置信的密集视图采样,要么提供用户应该如何对场景进行采样以提供高质量可靠性的指导新意见。相反,我们从采样视图的不规则网格提出了一种用于视图合成的算法,该算法首先通过多平面图像(MPI)场景表示将每个采样视图扩展为局部光场,然后通过混合相邻的局部光场来渲染新颖视图。我们扩展了传统的全光采样理论,以推导出一个界限,用于精确指定用户在使用我们的算法时应该如何密集地对给定场景的视图进行采样。在实践中,我们应用此界限捕获和渲染真实世界场景,实现奈奎斯特速率视图采样的感知质量,同时使用多达4000倍的视图。我们通过增强现实智能手机应用程序展示了ourapproach的实用性,该应用程序引导用户捕获场景的输入图像,以及在桌面和移动平台上实现实时虚拟探索的查看器。
translated by 谷歌翻译
将模型训练为高端性能需要大型标记数据集的可用性,这些数据集的获取成本很高。我们的工作目标是自动合成与下游任务相关的标记数据集。我们提出Meta-Sim,它学习合成场景的生成模型,并通过图形引擎获取图像以及相应的地面实况。我们使用神经网络对我们的数据集生成器进行参数化,该神经网络可以修改从概率场景图获得的场景图的属性,从而最小化其渲染输出和目标数据之间的分布差距。如果真实数据集带有小的标记验证集,我们还旨在优化元目标,即下游任务性能。实验表明,该方法可以大大提高人工工程概率场景语法的内容生成质量,无论是定性还是定量,都可以通过对下游任务的性能来衡量。
translated by 谷歌翻译
我们解决了语义边界预测的问题,该问题旨在识别属于对象(类)边界的像素。我们注意到相关的数据集包含了大量的标签噪声,这反映出这样一个事实:精确的注释是很费力的,因此注释器与效率进行权衡交易。我们的目标是通过在训练期间明确推断注释噪声来学习尖锐和精确的语义边界。我们提出了可以与现有的基于学习的边界检测器一起使用的简单的新层和损耗。我们的层/损失强制检测器预测沿边缘的法线方向的最大响应,同时也使其方向正规化。我们在训练期间使用水平集制定进一步推理真实对象边界,这允许网络以端到端方式从错位标签中学习。实验表明,在MF(ODS)和AP的18.61%interms方面,我们对CASENET骨干网的改进超过4%,优于目前所有最先进的方法,包括处理对齐。此外,我们表明,我们学到的网络可用于显着改善粗分割标签,使其成为标记新数据的有效方式。
translated by 谷歌翻译
学习解决图解推理(DR)对于计算机视觉研究社区来说可能是一个具有挑战性但令人感兴趣的问题。人们认为,下一代模式识别应用应该能够模拟人类大脑来理解和分析图像的推理。然而,由于缺乏图解推理的基准,本研究主要关注可应用于现实世界对象的视觉推理。在本文中,我们提出了一个图解推理数据集,它提供了大量的DR问题。此外,我们还提出了一个基于知识的长期短期记忆(KLSTM)来解决图解推理问题。我们提出的分析可以说是该研究中的第一项工作。在目前的背景下,已经使用了几种最先进的学习框架来与提出的KLSTM框架进行比较。初步结果表明,该领域与计算机视觉和模式识别研究高度相关,具有几个具有挑战性的途径。
translated by 谷歌翻译
通过保留基于斑点的关键信息来进行超声图像压缩是一项具有挑战性的任务。在本文中,我们介绍了一种超声图像压缩框架,能够保留散斑外观的真实性,尽管它具有非常高密度的压缩因子。压缩器采用自组织分割方法,将传感器频率,传感器频率,样本数和图像大小作为解压缩所需的基本信息进行传输。解压缩器基于训练的卷积网络,以生成路径逼真的超声图像,其传达与图像中可见的组织病理相关的基本信息。我们使用两种变体来构建压缩器来演示构建块的可扩展性。我们使用失真损失以及感知损失评估了解压缩图像的质量,并将其与其他解决方案进行了比较。所提出的方法实现了725:1 $的压缩比,同时保留了斑点的统计分布。这使得解压缩图像上的图像分割能够达到$ 0.89 \ pm 0.11 $的骰子得分,当使用JPEG,JPEG 2000,WebP和BPG等当前标准压缩图像时,这显然不是那么准确。我们设想此框架可作为散斑图像压缩标准的路线图。
translated by 谷歌翻译
我们提出了一种用于学习独立移动物体从立体视频中移动的系统。我们系统中使用的唯一人类注释是2D对象框,它将对象的概念引入我们的系统。与先前基于学习的工作不同,其专注于预测每个图像的密集像素 - 视光流场和/或深度图,我们建议预测对象实例特定的3D场景流图和实例掩模,从中我们能够导出运动方向和速度。每个对象实例。我们的网络考虑了问题的3D几何结构,这使得它可以与输入图像相关联。我们提出了评估三维流向量精度的实验,以及深度图和投影二维光流,其中我们共同学习的系统优于独立训练的每个任务的早期方法。
translated by 谷歌翻译