Markov random field
PulseAugur coverage of Markov random field — every cluster mentioning Markov random field across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新的高斯信念传播网络推动深度补全技术发展
研究人员推出了一种新颖的框架——高斯信念传播网络（GBPN），它将深度学习与概率图模型相结合，用于深度补全。这种混合方法使用图模型构建网络（GMCN）动态构建特定场景的马尔可夫随机场（MRF），并通过高斯信念传播（GBP）进行推理，以生成密集深度图。GMCN旨在预测自适应的非局部边缘，从而捕捉复杂的空间依赖关系，而增强的、具有并行消息传递的GBP则改善了稀疏数据的传播。在NYUv2和KITTI基准上的实验表明，GBPN取得了最先进的性…
-
Prior-SG 框架利用 LLM 在复杂环境中生成 3D 场景图
研究人员开发了 Prior-SG，一个用于生成分层 3D 场景图的新型框架，能够处理任意结构化环境，这与以往依赖局部视觉聚类或严格几何启发式方法不同。Prior-SG 采用任务和先验驱动的方法，将 RGB-D 传感器流集成到物理基础的实例图中。然后，该图利用最大后验估计进行语义解释，并由大型语言模型合成的先验图指导，该模型提供了关于环境结构和任务相关词汇的预期。该系统优化了马尔可夫随机场，将视觉、几何和对象数据与这些拓扑先验融合，解决…
-
视觉皮层方向选择性的贝叶斯-马尔可夫模型重构与模拟
研究人员对Shirazi的贝叶斯-马尔可夫模型进行了计算重构和模拟，该模型提出了一个概率性解释，用于解释初级视觉皮层（V1）的方向选择性。该研究重建了数学模型，并实现了一个向量化模拟框架，以支持参数扫描。模拟结果支持该模型的定性行为，包括清晰的方向选择性和对噪声的鲁棒性，并展示了推断出的抑制场的具有生物学可解释性的脉冲实现。
-
新的EHGCN方法融合欧几里得和双曲几何以实现事件感知
研究人员开发了EHGCN，一种用于事件流感知的新方法，它集成了欧几里得和双曲几何。该方法旨在改进事件数据中长距离依赖和分层结构的捕获，而传统图神经网络在这方面存在困难。EHGCN利用运动感知的超边生成方案，并融合来自欧几里得和双曲空间的信息，以增强对象检测和识别等任务。
-
新方法IOAH3为地理参考数据创建自适应空间分区
研究人员开发了IOAH3，一种用于创建地理参考观测域的数据驱动空间分区的新型计算方法。与使用固定区域单位的传统方法不同，IOAH3通过首先提取多源特征并使用主成分分析对其重要性进行评分来构建自适应分区。然后，它采用马尔可夫随机场图割优化来选择最大化重要性同时确保连续性的空间单元。最后，对高重要性区域进行分层细化以获得更精细的分辨率，从而解决可修改区域单位问题并提高空间推理管道的敏感性。
-
LLM用于医疗诊断中的零样本主动特征获取
研究人员开发了一个新颖的零样本主动特征获取（AFA）框架，通过规范的诱导过程利用大型语言模型（LLMs）。该方法侧重于从LLMs中提取特定的统计信息，如一元偏差和成对协方差，然后用于指导分类或排序任务的特征选择。该框架在炎症性肠病（IBD）患者队列上进行了评估，在复杂病例方面表现优于现有方法。