(Hyper)-Graphs Inference via Convex Relaxations and Move Making Algorithms: Contributions and Applications in artificial vision

Pawan Kumar 1 Nikos Komodakis 2, 3 Nikos Paragios 4, 5
2 IMAGINE [Marne-la-Vallée]
CSTB - Centre Scientifique et Technique du Bâtiment, LIGM - Laboratoire d'Informatique Gaspard-Monge, ENPC - École des Ponts ParisTech
Résumé : La perception numérique visuelle cherche à reproduire la vision humaine grâce à une combinaison de senseurs visuels, d’intelligence artificielle et de calcul numérique. Dans ce but, les problèmes de vision numériques sont souvent posés comme des problèmes d’inférence mathématiques, dans lesquels l’objectif est de déterminer l’ensemble de paramètres correspondant au minimum d’une énergie adaptée à la tâche visuelle. Les modèles graphiques ont constitué l’outil de modélisation le plus populaire du domaine de ces deux dernières décennies ; le problème y est vu comme un problème d’assignation de labels discrets. La modularité, l’extensibilité et la portabilité sont les atouts majeurs de ces modèles, qui combinées à des méthodes d’inférence efficaces peuvent mener à l’état de l’art en matière de résultats. Dans ce tutoriel nous nous focaliseront sur le problème d’inférence ; en particulier, nous discuterons de façon systématique les schémas d’optimisation les plus utilisés dans le contexte des modèles graphiques. Notre étude concerne l’inférence sur des modèles de rang faible (où les interactions entre les variables sont limités aux paires), ainsi que les modèles de rang supérieur (où des sous-ensemble arbitraires de variables déterminent des hyper-cliques sur lesquels des contraintes peuvent être introduites) et vise à présenter un aperçu concis et autonome des méthodes éprouvées et à l’état de l’art du domaine.
Liste complète des métadonnées

Littérature citée [66 références]  Voir  Masquer  Télécharger

https://hal.inria.fr/hal-01223027
Contributeur : Paragios Nikos <>
Soumis le : dimanche 1 novembre 2015 - 17:46:22
Dernière modification le : jeudi 5 juillet 2018 - 14:29:08
Document(s) archivé(s) le : vendredi 28 avril 2017 - 04:59:59

Fichier

TR-8798.pdf
Fichiers produits par l'(les) auteur(s)

Identifiants

  • HAL Id : hal-01223027, version 1

Relations

Citation

Pawan Kumar, Nikos Komodakis, Nikos Paragios. (Hyper)-Graphs Inference via Convex Relaxations and Move Making Algorithms: Contributions and Applications in artificial vision. [Research Report] RR-8798, Inria. 2015, pp.65. 〈hal-01223027〉

Partager

Métriques

Consultations de la notice

506

Téléchargements de fichiers

514