Détail de l'auteur
Auteur Hugo Raguet |
Documents disponibles écrits par cet auteur (3)
Ajouter le résultat dans votre panier
Visionner les documents numériques
Affiner la recherche Interroger des sources externes
Titre : Parallel cut pursuit for minimization of the graph total variation Type de document : Article/Communication Auteurs : Hugo Raguet, Auteur ; Loïc Landrieu , Auteur
Editeur : Ithaca [New York - Etats-Unis] : ArXiv - Université Cornell Année de publication : 2019 Conférence : ICML 2019, Workshop on Learning and Reasoning with Graph-Structured Representations in International Conference on Machine Learning 15/06/2019 15/06/2019 Long Beach Californie - Etats-Unis Open Access Proceedings Importance : 6 p. Format : 21 x 30 cm Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image
[Termes IGN] algorithme Cut Pursuit
[Termes IGN] optimisation (mathématiques)Résumé : (auteur) We present a parallel version of the cut-pursuit algorithm for minimizing functionals involving the graph total variation. We show that the decomposition of the iterate into constant connected components, which is at the center of this method, allows for the seamless parallelization of the otherwise costly graph-cut based refinement stage. We demonstrate experimentally the efficiency of our method in a wide variety of settings, from simple denoising on huge graphs to more complex inverse problems with nondifferentiable penalties. We argue that our approach combines the efficiency of graph-cuts based optimizers with the versatility and ease of parallelization of traditional proximal. Numéro de notice : C2019-051 Affiliation des auteurs : LASTIG MATIS+Ext (2012-2019) Autre URL associée : vers ArXiv Thématique : IMAGERIE/INFORMATIQUE Nature : Poster nature-HAL : Poster-avec-CL DOI : 10.48550/arXiv.1905.02316 Date de publication en ligne : 07/05/2019 En ligne : https://graphreason.github.io/papers/10.pdf Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=93350 Cut-Pursuit algorithm for regularizing nonsmooth functionals with graph total variation / Hugo Raguet (2018)
Titre : Cut-Pursuit algorithm for regularizing nonsmooth functionals with graph total variation Type de document : Article/Communication Auteurs : Hugo Raguet, Auteur ; Loïc Landrieu Editeur : Saint-Mandé : Institut national de l'information géographique et forestière - IGN (2012-) Année de publication : 2018 Projets : HYEP / Weber, Christiane Conférence : ICML 2018, 35th International Conference on Machine Learning 10/07/2018 15/07/2018 Stockholm Suède Open Access Proceedings Importance : 10 p. Format : 21 x 30 cm Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Intelligence artificielle
[Termes IGN] algorithme Cut Pursuit
[Termes IGN] graphe
[Termes IGN] régularisationRésumé : (auteur) We present an extension of the cut-pursuit algorithm, introduced by Landrieu & Obozinski (2017), to the graph total-variation regularization of functions with a separable non differentiable part. We propose a modified algorithmic scheme as well as adapted proofs of convergence. We also present a heuristic approach for handling the cases in which the values associated to each vertex of the graph are multidimensional. The performance of our algorithm, which we demonstrate on difficult, ill-conditioned large-scale inverse and learning problems, is such that it may in practice extend the scope of application of the total-variation regularization. Numéro de notice : C2018-020 Affiliation des auteurs : LASTIG MATIS+Ext (2012-2019) Thématique : INFORMATIQUE/MATHEMATIQUE Nature : Poster nature-HAL : Poster-avec-CL DOI : sans En ligne : http://proceedings.mlr.press/v80/raguet18a/raguet18a.pdf Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=90482 Documents numériques
en open access
Cut-Pursuit algorithm for ... - pdf éditeurAdobe Acrobat PDF
Titre : A structured regularization framework for spatially smoothing semantic labelings of 3D point clouds Type de document : Article/Communication Auteurs : Loïc Landrieu Année de publication : 2017 Projets : 1-Pas de projet / Weber, Christiane Article en page(s) : pp 102 - 118 Note générale : Bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Lasergrammétrie
[Termes IGN] attribut sémantique
[Termes IGN] données localisées 3D
[Termes IGN] interprétation automatique
[Termes IGN] lissage de données
[Termes IGN] optimisation (mathématiques)
[Termes IGN] régularisation d'image
[Termes IGN] scène
[Termes IGN] semis de pointsRésumé : (Auteur) In this paper, we introduce a mathematical framework for obtaining spatially smooth semantic labelings of 3D point clouds from a pointwise classification. We argue that structured regularization offers a more versatile alternative to the standard graphical model approach. Indeed, our framework allows us to choose between a wide range of fidelity functions and regularizers, influencing the properties of the solution. In particular, we investigate the conditions under which the smoothed labeling remains probabilistic in nature, allowing us to measure the uncertainty associated with each label. Finally, we present efficient algorithms to solve the corresponding optimization problems.
To demonstrate the performance of our approach, we present classification results derived for standard benchmark datasets. We demonstrate that the structured regularization framework offers higher accuracy at a lighter computational cost in comparison to the classic graphical model approach.Numéro de notice : A2017-641 Affiliation des auteurs : LASTIG MATIS+Ext (2012-2019) Thématique : IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1016/j.isprsjprs.2017.08.010 Date de publication en ligne : 11/09/2017 En ligne : https://doi.org/10.1016/j.isprsjprs.2017.08.010 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=86998
in ISPRS Journal of photogrammetry and remote sensing > vol 132 (October 2017) . - pp 102 - 118[article]Exemplaires(3)
Code-barres Cote Support Localisation Section Disponibilité 081-2017101 RAB Revue Centre de documentation En réserve L003 Disponible 081-2017102 DEP-EAF Revue Nancy Dépôt en unité Exclu du prêt 081-2017103 DEP-EXM Revue Saint-Mandé Dépôt en unité Exclu du prêt Documents numériques
en open access
A structured regularization framework ... - preprintAdobe Acrobat PDF
