TEN：面向具有侵蚀边界拼图问题的孪生嵌入网络
计算机视觉与模式识别
2022-11-08 v2 机器学习
摘要
本文提出一种新颖的基于CNN的编码器——孪生嵌入网络（TEN），用于拼图问题（JPP），其在潜在嵌入空间中依据拼图块的边界表示块。将该潜在表示与简单距离度量结合，我们证明了新提出的成对兼容性度量（CM）相比多种经典方法，在具有侵蚀拼图块边界的退化拼图上达到了更高的精度。我们以该问题实例作为案例研究，因其可作为真实场景的恰当测试平台。具体而言，在所谓的Type-1与Type-2问题变体上，我们分别展示了重建精度最高提升8.5%与16.8%。此外，我们还证明TEN平均比典型深度神经网络（NN）模型快几个数量级，即其与经典方法一样快。就此而言，本文显著首次尝试在经典方法相对较低精度与NN模型密集计算复杂度之间架起桥梁，面向实用的真实世界类拼图问题。
引用
@article{arxiv.2203.06488,
title = {TEN: Twin Embedding Networks for the Jigsaw Puzzle Problem with Eroded Boundaries},
author = {Daniel Rika and Dror Sholomon and Eli David and Nathan S. Netanyahu},
journal= {arXiv preprint arXiv:2203.06488},
year = {2022}
}