Sparsest cut 稀疏割 Introduction

最新推荐文章于 2023-03-15 14:14:35 发布
最新推荐文章于 2023-03-15 14:14:35 发布
阅读量434 收藏 5
点赞数 2
分类专栏： 图 文章标签： 图论
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/evaljy/article/details/120918957
版权

最近在学习图相关的知识，突然发现csdn上并没有sparsest cut 介绍，当作自己学习笔记也权作抛砖引玉，写一点这方面的introduction. 

输入：

1. 图 G=(V,E) 是一个无向正权图，假设权函数为c(\cdot), 给定 c(e) > 0

2. k 对点，\{(s_1,t_1),(s_2,t_2),...(s_k,t_k)\}， 其中每对点有要求函数D(\cdot)满足D_i = f(s_i,t_i)

则对于任意割集

最低0.47元/天 解锁文章
evaljy
关注
  • 2
    点赞
  • 踩
  • 5
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
KDD 20 ：SCE: Scalable Network Embedding from Sparsest Cut 复旦基于切图的无监督SSL
qq_40926715的博客
03-28 563
文章信息 摘要 提出了无监督网络嵌入只使用负样本进行训练。我们的方法是基于一个新的对比目标，启发到著名的最稀疏割问题。为了解决潜在的优化问题，我们引入了一个拉普拉斯平滑技巧，它使用图卷积算子作为低通滤波器来平滑节点表示。所得到的模型由一个作为编码器的GCN型结构和一个简单的损失函数组成。值得注意的是，我们的模型没有使用正样本，而只使用负样本进行训练，这不仅使实现和调优变得更加容易，而且还显著减少了训练时间。最后，对真实世界的数据集进行了广泛的实验研究。结果清楚地表明，与Graphsage、G2G和DGI等
最大流最小割求最小割点集（存在多种情况输出字典序最小的割点集）
weixin_30318645的博客
04-29 151
poj1815 Friendship Time Limit:2000MS Memory Limit:20000K Total Submissions:8768 Accepted:2462 Description In modern society, each person has his own fr...
一文详解实时稀疏点云分割
3D视觉工坊
09-20 4402
点击上方“3D视觉工坊”，选择“星标”干货第一时间送达来源丨点云PCL/导读/在基于激光的自动驾驶或者移动机器人的应用中，在移动场景中提取单个对象的能力是十分重要的。因为这样的系统需...
基于稀疏标签的遥感影像分割
如果想成为中心，那么就到中心去吧。
07-01 1143
code:https://github.com/Hua-YS/Semantic-Segmentation-with-Sparse-Labels 文章目录摘要方法利用稀疏标签进行监督训练特征与空间关系正则化CRF用于边界细化 摘要 对于高分影像来说，训练卷积神经网络(CNNs)需要大量的高质量的像素级注释，这是非常费力和费时的生产。此外，专业的影像解译工程师可能必须参与进来，以保证注释的正确性。为了减轻这种负担，我们提出了一个基于不完整注释的航空图像语义分割框架，其中要求注释者用易于绘制的涂鸦标记几个像素。.
Graph cut 图割算法及使用样例
04-25
在matlab中打开文件夹 首先运行compile_gc.m文件 然后运行gc_example.m 得出结果。 再者可以运行graphcuts_demo.m文件得到结果。 再者可以运行graphcuts2.m文件得到结果。
gco-v3.0.zip_graphcut_图割_图割算法
07-14
graphcut 程序，非常经典以及使用，能够准确经常图割算法
多张图片的切割MATLAB程序 grabcut 图割
10-16
自己写的多张图片的切割MATLAB程序，基于图割的程序，效果很好，已经验证过
图割算法graph-cut
09-14
图割算法实现，直接可用，python实现，graph-cut，多幅图像同时处理
最大流最小割+grabcut文献.zip
05-07
Grabcut可以用在图像分割和文字二值化中。grabcut最基础、最核心的内容就是最大流与最小割（mincut & maxflow）。代码是mincut & maxflow 的matlab版，压缩包里放了grabcut 文献，欢迎图像分割爱好者下载学习。
PUNCH图剖分浅析
jjdragonborn的博客
12-19 950
自然割图剖分 路网结构图剖分
TensorFlow学习笔记（八）
Star-Technology
11-01 4888
1.TensorFlow复数操作操作 描述 tf.complex(real, imag, name=None) 将两实数转换为复数形式 # tensor ‘real’ is [2.25, 3.25] # tensor imag is [4.75, 5.75] tf.complex(real, imag) ==> [[2.25 + 4.75j], [3.25 + 5.75j]] tf.compl
使用稀疏注释进行分割
Jerry001128的博客
03-15 74
Segmentation only uses sparse annotations: Unified weakly and semi-supervised learning in medical images
稀疏性度量
碑湾没有碑的博客
01-19 6924
       对于特定的稀疏表示方法，其优劣一般采用表示系数的稀疏程度来度量。图像的稀疏性一般采用范数来定义，即不为零的系数数量越少，越稀疏。然而，在图像处理的实际应用中，通常受到噪声干扰，采用范数来度量稀疏性的效果会变差。在数学分析理论中，范数常被用来度量稀疏性，其能较好地度量非零系数的个数与系数误差。而且，当0<p<1时，与存在一定的关系，当p→0时，              ...
推荐系统——数据稀疏度计算
大显666 的博客
02-23 844
稀疏度
稀疏表示的基础概念
dayandongfei的博客
10-27 1万+
数学上的意义(大概能理解)     线性代数上     字典：实际上就是一组基，也就是线代中的一组向量，字典B由一组线性独立的基矢量[b , b , ..., b ] (原子)组成，这些基能够张成整个矢量空间 ，即空间中任意矢量 s 都可以通过这组基的线性组合进行重构[9] [10]。 c为系数，任意向量都能由基唯一确定。 字典 B 为空间 X 的一组正交基，则有 为字典矩
压缩感知重构算法之稀疏度自适应匹配追踪(SAMP)
热门推荐
彬彬有礼的专栏
05-13 5万+
鉴于前面所述大部分OMP及其前改算法都需要已知信号的稀疏度K，而在实际中这个一般是不知道的，基于此背景，稀疏度自适应匹配追踪(Sparsity Adaptive MP)被提出。读几遍SAMP的被提出的参考文献[1]的题目：Sparsity adaptive matching pursuit algorithm for practical compressed sensing，注意后面的“for practical compressed sensing”，这也就解释了很多网友的疑问，程序中的信号直接假设是稀疏
图像分割经典算法--《最小割最大流》（Minimum Cut——Max Flow）
mmm_jsw的博客
11-06 3万+
1.算法介绍 最小割算法（Minimum Cut）是图像分割的经典算法之一，同时也在"Graph Cut"、"Grab Cut"等算法中都有被使用过。最小割最大流算法是指在一个有向的图中，能够从源点（source）到达汇点（terminal）的最大流量等于如果从图中剪除就能够导致网络流中断的边的集合的最小容量和。即在任何网络中，最大流的值等于最小割的容量。 提出该分割算法的论文： Interact...
CNN的稀疏结构分析-CVPR2018
wishchinYang的专栏
07-05 4339
文章地址：CVPR2018高效小网络探秘...CVPR2018高效小网络探秘II...本文介绍、梳理和对比高效小网络，包括早期的经典模型SqueezeNet, MobileNet(V1), 和CVPR 2018最新模型ShuffleNet, IGCV2, MobileNetV2, 探究短小精悍的秘密，学习设计理念和技术，回答以下两个问题：题图是ImageNet上的top-1准确率 vs 理论计算量...
matlab最小割实现graphcut
最新发布
06-28
### 回答1： GraphCut 是一种在图像处理中常使用的技术，最常用的是将图像分割成若干个部分，以便更好地处理图像。在Matlab中实现GraphCut，需要使用Image Processing Toolbox中的函数以及Graph Cut算法。实现过程包括读取图像、设定初始分割点、创建图像图、计算能量函数等步骤。 ### 回答2： 在计算机视觉和图像处理中，图割(GraphCut)被广泛应用于图像分割、图像嵌入以及目标跟踪等领域。MATLAB是一个强大的编程平台，在计算机视觉和图像处理中被广泛使用。MATLAB中有许多图形库，可以用于图像处理和图形分析。在这里，我们将讨论如何使用MATLAB实现最小割算法(GraphCut)。 MATLAB中有很多算法库，但是最小割算法库不是其中的一个，因此，我们必须手动实现这个算法。最小割算法的基本思路是将图形分割为两个部分，割在这两部分之间的图形权值最小。我们将图像表示为一个图(Graph)，其中每个像素是一个节点，每个节点的边缘和权重是它与其邻居节点的相似性(灰度值、纹理等)。 我们可以使用MATLAB中的图形库来实现一个图(Graph)。接下来，我们需要求图(Graph)的最小割。MATLAB中有几种方法可以求解最小割，其中一个是使用最大流最小割定理来计算最小割。我们可以使用MATLAB中的某些函数来计算最大流，如isodata，graythresh，otsuthresh等。这些函数可以在MATLAB的Image Processing Toolbox中找到。 在MATLAB中计算最小割的步骤如下： 1. 读取图像，并将其转换为灰度图像。 2. 将图像表示为一个Graph。 3. 为图(Graph)中的每个边缘计算权重。 4. 使用最大流算法计算最小割。 5. 将分割后的图像输出。 在MATLAB中，可以使用以下函数来实现最小割算法: 1. im2graph：将图像转换为Graph。 2. maxflow：使用最小(最大)流算法来计算最小割。 3. cut：将分割图像拼接成原始图像。 最小割算法最适合于分割较小和简单的图像。当需要分割比较大的图像时，计算最小割的复杂度会迅速上升。这时，我们可以考虑使用一些改进算法，如拉普拉斯算子分割(Laplacian segmentation)或者超像素分割(Superpixel segmentation)。 综上所述，使用MATLAB实现最小割算法(GraphCut)可以实现图像分割，提高图像分析和计算机视觉的效率。但是对于大图像的分割需要进一步改进。同时，使用最小割算法时需要注意不同种类的图像对算法的影响。 ### 回答3： GraphCut是一种用于图像分割的算法，它基于最小割理论，能够在二元图上分割图像。在Matlab中，可以使用库函数“graphcut”轻松实现GraphCut算法。 首先，需要用Matlab的图像处理工具箱加载图像，然后将其转换为可供GraphCut处理的二元图像。二元图像包括两个区域：前景区域和背景区域。在GraphCut算法中，这两个区域的像素是由用户手动选择的。 其次，要生成一个图G=(V,E)，其中V是所有像素的集合，E是像素之间链接的集合。链接代表像素之间权重的相似度。在GraphCut中，链接分为前景链接和背景链接。前景链接用于连接前景区域中的像素，背景链接用于连接背景区域中的像素。此外，需要添加两个虚拟节点，即源节点s和汇节点t，它们是图G的起点和终点。连接源节点s到前景区域中的像素，将边的权重设置为具有前景属性的像素。连接汇节点到包含在背景区域中的像素，将边的权重设置为具有背景属性的像素。 最后，调用Matlab的“graphcut”函数实现最小割算法。该函数需要传递生成的图G和始终像素所属的区域。最终，该函数将返回一个分割图像，其中包含前景区域和背景区域。 总之，Matlab中的GraphCut算法提供了一种有效而简单的图像分割方法。使用图像处理工具箱和“graphcut”函数操作简单，在实践中广泛应用。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值