在线图补全:计算机视觉中的多变量信号恢复
计算机视觉与模式识别
2020-08-13 v1 机器学习
信号处理
机器学习
摘要
在计算机视觉和机器学习中采用“人在回路”范式正带来各类应用,其中实际的数据采集(如人工标注)与底层推理算法紧密交织。尽管主动学习的经典工作在学习模块涉及分类与回归任务时提供了有效解决方案,但许多实际问题,如部分观测到的测量值、经济约束乃至数据额外的分布或结构特性,通常超出该处理范畴。例如,对于表现为矩阵(或张量)的数据的部分测量值的顺序获取,用于补全(或协同过滤)其余条目的新策略仅是近期才被研究。受视觉问题的启发——我们试图通过众包平台标注大规模图像数据集,或利用人类反馈来补充最先进目标检测器的的结果——我们研究了定义在图上的“补全”问题,其中对额外测量值的请求必须顺序提出。我们在描述图的傅里叶域中设计优化模型,阐释基于自适应子模性的思想如何提供在实践中表现良好的算法。在从Imgur收集的大规模图像集上,我们在原本难以分类的图像上看到了有前景的结果。我们还展示了其在神经影像中实验设计问题上的应用。
引用
@article{arxiv.2008.05060,
title = {Online Graph Completion: Multivariate Signal Recovery in Computer Vision},
author = {Won Hwa Kim and Mona Jalal and Seongjae Hwang and Sterling C. Johnson and Vikas Singh},
journal= {arXiv preprint arXiv:2008.05060},
year = {2020}
}
备注
9 pages, 7 figures, CVPR 2017 Conference