Sinkhorn算法公式推导

最新推荐文章于 2024-12-02 14:02:10 发布
最新推荐文章于 2024-12-02 14:02:10 发布
阅读量839 收藏 3
点赞数 4
文章标签： 深度学习 人工智能 机器学习
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/explorer5568/article/details/131946779
版权

Sinkhorn算法作为最优传输中的一个算法，有着非常广泛的应用。初次接触Sinkhorn算法时，其整个数学推导过程还是相对复杂了。笔者在找到一个解释地还算很清楚的视频后，将其中的数学推导过程记录如下，供笔者自己复习查阅，也希望给有缘人带来灵感。

视频链接,从48分开始观看即可

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

MATLAB算法实战应用案例精讲-【深度学习】多尺度特征融合-目标检测（论文篇五）
qq_36130719的博客
04-15 2092
检测的图像，首先设置输入网络大小，然后将滑动窗口按照一定步长对图像进行滑动，微小的卷积神经网络，其使用卷积核在卷积神经网络中对输入图像信息进行卷积处理，传统行人检测技术进行分析，然后介绍基于深度学习行人检测算法，为后续行人检测。出，能够很好的描述行人的边缘，因此广泛应用于行人检测。的静态图像，往往采用梯度直方图方法获取行人图像的局部特征信息，然后计算所有。个单元格的特征将以不同的结果出现在最后的向量中，所有的小单元特征信息将构成。目的成果，使得行人检测检测技术成为基于深度学习目标检测领域的研究热点。
AIGC视频生成模型的跨域适应能力研究
最新发布
AI天才研究院
05-03 506
随着AIGC技术的快速发展，视频生成模型在影视制作、广告创意、虚拟人直播等领域展现出巨大应用潜力。然而，不同领域数据在视觉风格（如卡通/写实）、分辨率（如4K/手机端）、拍摄场景（如室内/室外）等方面存在显著域差异，导致模型在跨域应用时出现生成内容失真、时序连贯性断裂等问题。本文聚焦AIGC视频生成模型的跨域适应能力，从理论框架、算法设计、工程实现三个维度展开研究，提出系统性解决方案。背景部分定义核心概念并阐述研究意义核心概念章节解析跨域适应技术体系与视频生成模型的内在联系。
Sinkhorn算法
qq_36892712的博客
08-27 4478
Sinkhorn算法是一种用于解决最优传输问题的迭代算法。最优传输问题是指在给定两个概率分布μ\muμ和ν\nuν的情况下，找到一个最优的转移方案，使得从μ\muμ到ν\nuν的转移成本最小。Sinkhorn算法通过迭代的方式逐步优化转移方案，以达到最优传输的目标。Sinkhorn算法的核心思想是通过交替地更新行和列的缩放因子，来逐步逼近最优转移方案。具体来说，算法的步骤如下：初始化转移方案：首先，我们需要初始化一个转移方案P\mathbf{P}P，其中P\mathbf{P}
矩阵归一化的 Sinkhorn-Knopp 算法：对矩阵进行归一化，使得行和列的总和都是统一的-matlab开发
06-01
Sinkhorn-Knopp 算法采用矩阵 A 并找到对角矩阵 D 和 E，如果 M = DAE，则 M 的每一列和每一行的总和为 1。 该方法实际上是交替地对矩阵的行和列进行归一化。 这个函数是一种高效的实现，它在迭代完成之前实际上不执行归一化，并且不使用 A 的转置。 A 必须是非负数。 如果 A 中有零，则算法可能不会收敛，具体取决于它们的分布。 如果需要，可以设置最大迭代次数和/或容错。 行和列总和为 1 的矩阵称为“双重随机”。 此类矩阵具有多种应用，包括网页排名。 参考： Philip A. Knight (2008) Sinkhorn–Knopp 算法：收敛和应用。 SIAM 矩阵分析和应用杂志 30(1), 261-275。 doi：10.1137/060659624
Sinkhorn-Knopp算法
pengxiang1998的博客
05-31 5717
Sinkhorn-Knopp是为了解决最优传输问题所提出的。
Siknhorn算法介绍
qq_40671063的博客
12-02 1304
计算两个概率分布P 和 Q之间的传输成本，通常表示为：是传输代价矩阵π 是联合分布（运输计划），满足边缘分布等于 P和 Q；U(P,Q) 是所有满足边缘分布的有效运输计划的集合;直接求解此问题的复杂度较高，为。Sinkhorn算法通过在目标函数中引入正则化项（如Kullback-Leibler散度）将问题转化为更易解的形式.
激光点云配准算法——Cofinet / GeoTransforme / MAC
weixin_44580210的博客
06-10 1688
激光点云配准算法——Cofinet / GeoTransformer / MAC GeoTransformer + MAC是当前最SOTA的点云匹配算法，在之前我用总结过视觉特征匹配的相关算法 视觉SLAM总结——SuperPoint / SuperGlue 本篇博客对Cofinet、GeoTransformer、MAC三篇论文进行简单总结 1. Cofinet Cofinet发表于2021年ICCV，原文为《CoFiNet: Reliable Coarse-to-fine Correspondences
【最优传输论文十七】2018 Large- scale optimal transport and mapping estimation
m0_60231311的博客
07-29 436
本文提出了一种新的两步方法来解决从一个分布到另一个分布学习最优映射的基本问题。首先，学习一个最优运输（OT）计划，它可以被认为是两个分布之间的一对多映射。为此，本文提出了一种正则化OT的随机对偶方法，并从经验上表明，当样本量很大时，效果比相关其它方法更好。其次，将Monge映射估计为通过近似先前获得的OT计划的重心投影而学习的深度神经网络。此参数化允许在输入度量的支持之外对映射进行泛化。本文证明了正则化OT的两个理论稳定性结果，表明本文的估计收敛于基础连续测度之间的OT规划和Monge映射。
OT_via_Sinkhorn.pdf
02-08
Sinkhorn Algorithm for Discrete Optimal Transport
SinkhornAutoDiff:使用自动微分和Sinkhorn算法整合最佳运输损失功能的工具箱
05-19
SinkhornAutoDiff-使用自动微分和Sinkhorn算法集成最佳运输损失函数的Python工具箱 概述 Python工具箱，用于计算和区分最佳运输（OT）距离。 它使用（一般化的）Sinkhorn算法[1]计算成本，该算法又可以应用： 优化重心及其权重[2]。 进行形状对准[9]。 作为机器学习功能之间的一种损失[1]。 为生成模型[8]执行密度拟合（另请参见下面的图像）。 组织 code /包含计算OT损耗及其差异的核心例程。 notebooks /包含的集合，展示了工具箱的简单用法。 平面特征 使用矩阵/向量乘法的经典Sinkhorn [1]。 可分离内核（例如图像的高斯内核）的加速[5]。 对数域稳定的Sinkhorn [7]。 传输不平衡（用于几个f散度保真度）[7]。 重球加速[10]。 重心[7]。 Gromov-Wasserstein [4]
Cross-lingual Document Retrieval using Regularized Wasserstein Distance
weixin_43087818的博客
12-21 327
使用正则化的Wasserstein距离进行跨语言文档检索 Introduction： 许多信息检索算法都依赖于有效距离的概念，该距离可以有效地比较不同性质的对象。最近，提出了一种新的矩阵：Word Mover’s Distance，用于测量文本段落之间的差异。在本文中：提出两种扩展方法： 1.在Word Mover’s Distance上融入词的权重 2.在Word Mover’s Distanc...
Sinkhorn算法，正矩阵与双随机矩阵之间的关系
Codefmeister's BLOG
04-13 2651
Sinkhorn算法 Sinkhorn 算法描述了任意一个正矩阵(元素均为正)与双随机矩阵之间的关系。 简略描述 Relations between arbitrary positive matrices and Doubly stochastic matrices. 如果A是一个正矩阵，那么通过交替的进行行归一化和列归一化，可以将其转换为一个转移矩阵(双随机矩阵)。 if A is a positive Matrix, alternately applies row-normalization an
Sinkhorn algorithm #notebook
weixin_53162487的博客
12-27 2269
Sinkhorn算法是一种用于解决正则化的最优传输问题的迭代算法。它基于Sinkhorn-Knopp矩阵缩放方法，用于计算两个离散概率分布之间的Sinkhorn距离，这是一种在最优传输理论中的距离度量。
最优传输-Sinkhorn算法（第九篇）
热门推荐
Grant Tour of Algorithms
06-30 2万+
最优传输系列是基于Computational Optimal Transport开源书的读书笔记 Sinkhorn算法 在上一篇里，我们介绍了加入熵正则化的最优传输问题–熵正则化通过限制最优传输问题解的复杂度，可以以大幅降低的复杂度得到最优传输问题的近似解。 不过，熵正则化仍然是一个概念，需要一个有效的算法，才能够释放它的潜力。 所以，在这一篇里，我们探索实际应用中十分常见的Sinkhorn算法。...
最优传输问题与Sinkhorn算法
一个学习困难症患者的破博客
02-01 8964
最近看到一篇特征匹配相关的论文，思想是将特征匹配问题转化为最优传输问题并用Sinkhorn算法求解，于是我去学习了一下相关知识
最优传输系列（二）：熵正则、拉格朗日问题与Sinkhorn算法
lyy的博客
05-05 3110
目录熵正则对偶问题Sinkhorn引用 熵正则 考虑加入熵正则化的Kantorovitch问题。 目标是得到使得成本最低的r(i,j)r(i,j)r(i,j)： 其中，h(r)h(r)h(r)定义如下： 这是论文中的写法，还有一种写法是： h(r)=−∑i,jr(i,j)(log(r(i,j))−1)h(r)=-\displaystyle\sum_{i,j} r(i,j)(log(r(i,j))-1)h(r)=−i,j∑​r(i,j)(log(r(i,j))−1) 可以看出二者之间差了一个-1，但是
评论 1
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

打赏作者

INEVGVUP

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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