基于自适应递减平滑的高效 MRF 能量最小化
人工智能
2012-10-19 v1 数据结构与算法
摘要
我们考虑马尔可夫随机场 (Markov Random Fields, MRF) 能量最小化问题的线性规划松弛。该问题的对偶目标可视为一个凹的、无约束但非光滑的函数。近期一系列论文提出了在优化前对目标函数进行平滑的思想。其中部分研究建议在逼近最优解时减少平滑量（即所谓的温度），但未提供理论依据。我们提出了一种基于松弛原始目标与对偶目标之间对偶间隙的自适应平滑递减算法，并通过顺序树重加权消息传递 (Sequential Tree-Reweighted Message Passing, TRW-S) 算法的平滑版本展示了该方法的有效性。该策略同样适用于其他算法，避免了迭代过程中对平滑参数的临时性调整，并从理论上保证了收敛至最优解。
引用
@article{arxiv.1210.4906,
title = {Efficient MRF Energy Minimization via Adaptive Diminishing Smoothing},
author = {Bogdan Savchynskyy and Stefan Schmidt and Joerg Kappes and Christoph Schnoerr},
journal= {arXiv preprint arXiv:1210.4906},
year = {2012}
}
备注
Appears in Proceedings of the Twenty-Eighth Conference on Uncertainty in Artificial Intelligence (UAI2012)