Immiscible Color Flows in Optimal Transport Networks for Image Classification

要約

分類タスクでは、データに含まれる情報を有意義に活用することが重要です。
これらのタスクに対処する作業の多くは、入力をブラックボックス方式で処理する複雑なアルゴリズム インフラストラクチャの構築に費やされていますが、データをアルゴリズムに入力する前に、データのさまざまな側面を活用する方法についてはあまり知られていません。
ここでは、この後者の視点に焦点を当て、最適輸送の原則を適応させて画像の色分布を効果的に活用する物理学に着想を得た動的システムを提案します。
私たちのダイナミクスは、画像から構築されたネットワーク上を移動する混じり合わない色の流れを調整します。
色を一緒に集約する代わりに、エッジの共有容量と相互作用する異なる商品としてそれらを扱います。
結果として得られる最適なフローは、標準の分類子に入力して、さまざまなクラスの画像を区別できます。
色情報が重要なデータセットの画像分類タスクで、この方法が競合するアプローチよりも優れていることを示します。

要約(オリジナル)

In classification tasks, it is crucial to meaningfully exploit the information contained in data. While much of the work in addressing these tasks is devoted to building complex algorithmic infrastructures to process inputs in a black-box fashion, less is known about how to exploit the various facets of the data, before inputting this into an algorithm. Here, we focus on this latter perspective, by proposing a physics-inspired dynamical system that adapts Optimal Transport principles to effectively leverage color distributions of images. Our dynamics regulates immiscible fluxes of colors traveling on a network built from images. Instead of aggregating colors together, it treats them as different commodities that interact with a shared capacity on edges. The resulting optimal flows can then be fed into standard classifiers to distinguish images in different classes. We show how our method can outperform competing approaches on image classification tasks in datasets where color information matters.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google