【人工智能的数学基础】最优传输(Optimal Transport)问题与Wasserstein距离

长程自主 Agent 工程化实战专栏
专栏收录该内容
¥119.90
¥299.90
41089 篇文章

Wasserstein Distance.

本文目录:

  1. 最优传输问题 Optimal Transport Problem
  2. 最优传输问题的对偶问题 Dual Problem
  3. Wasserstein距离及其对偶形式

1. 最优传输问题 Optimal Transport Problem

对于两个概率分布 p ( x ) p(\textbf{x}) p(x)和 q ( x )

VIP 最优传输(Optimal Transport) 最优传输(Optimal Transport)是一种数学理论和计算方法,用于描述两个概率分布之间的距离或者对应关系。 开通可读全文·1.5w 阅读·34 点赞·49 收藏 阅读全文

相关推荐

最优传输问题与Sinkhorn算法

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

一个学习困难症患者的破博客 1万+

最优运输(Optimal Transfort):从理论到填补的应用

舞动的心 博客园首页新随笔联系管理随笔 - 517 文章 - 0 评论 - 161 阅读 - 95万 最优运输(Optimal Transfort):从理论到填补的应用 目录 引言 1 背景 2 什么是最优运输? 3 基本概念 3.1 离散测度 (Discrete measures) 3.2 蒙日(Monge)问题 3.3 Kantorovich Relaxation (松弛的蒙日问题) 3.4 Wasserstein距离 3.5 最优运输问题初解 3.6 熵(Entropic)正则化 3.7 Sin

生信小博士的博客 4253

OTLesMix:基于最优传输的医学图像病灶合成数据增强方法

在医学图像分析中,优质训练数据的稀缺是制约模型性能的关键瓶颈,尤其对于形态多变、位置分散的病灶区域,常规的数据增强方法如CutMix、MixUp往往生成不真实样本,难以满足像素级精准分割的需求。最优传输(Optimal Transport)作为数学领域研究概率分布间最小代价迁移的框架,天然适合建模病灶的形态变化与空间分布。Wasserstein距离及其重心(Barycenter)能够捕捉多个病灶的共性形态特征,并通过传输映射实现可控的形态插值与位置迁移,从而在无需生成对抗网络或扩散模型的前提下,合成具有解剖

weixin_29091105的博客 278

基于最优传输的病灶生成:OTLesMix突破医学影像小样本困境

数据增强是深度学习在医学影像小样本场景下稳定训练的关键技术,然而传统几何变换和像素混合难以生成多样化的真实病灶。最优传输理论以概率分布为对象,通过Wasserstein距离和Barycenter描述形态差异,为可控病灶生成提供了全新范式。基于该理论的OTLesMix方法,将病灶区域建模为分布,利用最优传输映射控制形态与位置,在低训练数据量下即可合成高质量病灶,显著提升图像分割与异常检测模型的泛化能力。本文从最优传输基础概念出发,剖析OTLesMix的机制与实践验证,帮助医学影像研究者在小样本学习中落地这一几

weixin_30947043的博客 330

3D-TBM:基于最优传输理论的医学图像形态分析技术

医学图像分析领域,形态学量化是理解组织结构变化的关键技术。传统方法如基于体素的形态学分析(VBM)存在配准复杂、非线性变化捕捉不足等局限。最优传输理论(Optimal Transport)为解决这些问题提供了数学基础,通过寻找最经济的概率分布转换方式,为医学影像分析带来新范式。3D-TBM技术将这一理论应用于三维医学图像,在LOT(Linear Optimal Transport)空间中实现形态变化的线性化分析,具有无需精确配准、全局形态捕捉和结果可视化等优势。该技术特别适用于脑萎缩量化、肿瘤生长模式研究等

weixin_30294759的博客 280

多模态表示对齐:SOTAlign方法与最优传输理论应用

多模态表示对齐是计算机视觉与自然语言处理交叉领域的核心技术,旨在实现不同模态数据(如图像与文本)间的语义关联。其核心原理是通过神经网络将不同模态映射到共享的语义空间,关键技术包括对比学习和最优传输理论。SOTAlign方法创新性地结合最优传输理论(OT)与KL散度,显著提升了小样本场景下的对齐效果。在工程实践中,该方法通过预训练单模态编码器(如DINOv3 ViT-L和NV-Embed-v2)和轻量对齐层设计,实现了医疗影像等专业领域的高效跨模态检索。典型应用场景包括零样本图像检索、多模态内容生成等,其中最

alppkk4545的博客 416

ICML-2019《Optimal Transport for structured data with application on graphs》

该论文提出的FGW 距离为结构化数据(尤其是图)的度量学习提供了统一、灵活、理论扎实的新范式。它成功地将最优传输理论拓展到联合特征-结构对齐的场景,在图分类、聚类、插值等任务上展现出强大性能。然而,其计算代价高、依赖手工结构、优化非凸等问题限制了其在大规模图或端到端深度学习中的直接应用。未来工作可探索FGW 的正则化/熵松弛版本与图神经网络的联合训练,以及可学习结构度量的内嵌机制。

Christo的博客 1059

基于CNN的表情识别(FER)pytorch实现

Report for FER Jian Tang Abstract 我们使用卷积神经网络(CNN)实现了baby的面部表情识别(FER)。 数据上,我们获取了开源FER数据集FER2013[1],besides我们使用爬虫获取了baby相关的人脸图片,进行了手工分类标注以形成一个全新的baby FER数据集。 模型上,我们首先复现了Luan[2]的工作,即参考Kuo[3]在CVPR 2018上的工作并实现一个轻量的CNN网络,在FER2013上进行训练并得到了XXXX%的平均分类准确率(avg a

qq_20241587的博客 3686

Qt 5.9.1 32位下,手把手搞定周立功CAN二次开发库的加载与配置(含常见错误排查)

本文详细介绍了在Qt 5.9.1 32位环境下配置周立功CAN二次开发库的完整流程,包括环境准备、项目配置、常见错误排查及性能优化建议。特别针对MinGW 32bit环境,提供了.pro文件的精准配置和DLL部署策略,帮助开发者快速解决库文件匹配、编译报错和运行时问题,实现高效的CAN总线通信开发。

weixin_28717431的博客 356

基于Mind+、MOTT实现人工智能

@基于Mind+、MOTT实现人工智能 人工智能实验 一、实验目的及要求 【一】实现人脸识别 【二】实现云数据库应用 【三】实现测温数据mqtt上传至物联网云平台 二、实验原理与内容 基于二哈实现多人人脸学习和识别 基于TinywebDB实现云数据库应用 基于EasyIoT实现mqtt数据上传。 三、实验软硬件环境 硬件:掌控板 软件:Mind+ 四、实验过程(实验步骤、记录、数据、分析) 1.基于二哈实现多人人脸学习和识别 ①在Mind+扩展上的传感器选项选择HUSKYLENS AI 摄像头 ②配置哈士

weixin_44606930的博客 2386

【个人记录】CentOS7升级glibc至2.28

由于CentOS7系统已经停止支持, 虽然大部分业务已经迁移至OpenEuler,但仍然有部分业务系统跑在CentOS7上。在尝试部署新业务环境时经常会提示如下错误(以code-server运行需要的node 20为例)node -v为了保障业务可正常运行,通常采用Docker继承好的node环境进行部署,但部分场景还是需要宿主机使用新版glibc版本。本文记录本人一次成功升级glibc(2.17=>2.28)的步骤。

喵呜 3889

手把手教你学Simulink--基于Simulink的风力发电系统用双馈电机控制仿真建模

特点高效节能:在广泛的风速范围内保持高效的能量转换。独立控制有功和无功功率:通过控制转子电流实现对有功和无功功率的独立调节。较低的成本:相比直接驱动或全功率变流器方案,成本较低。挑战控制复杂度较高:需要复杂的控制算法来实现有功和无功功率的解耦控制。对电网波动敏感:需要良好的稳定性控制策略以应对电网电压波动。利用Simscape Electrical中的模块构建DFIG的物理模型,配置参数如电阻、电感、极对数等。matlab深色版本% 添加DFIG电机模块。

MHD0815的博客 356

K-BERT: Enabling Language Representation with Knowledge Graph 代码复现 直接运行

K-BERT: Enabling Language Representation with Knowledge Graph K-BERT K-BERT 代码复现

1080

基于STC8A8K64S4A12的掉电唤醒定时器应用,极大降低产品功耗

通过合理的配置和编程,我们可以充分发挥单片机的功能,实现能效优化和电池寿命延长的目标。其中,掉电唤醒定时器是其一项重要功能,可以在系统处于睡眠状态时通过定时器的计时功能进行唤醒,从而实现对系统功耗的有效控制。使用STC8A8K64S4A12的掉电唤醒定时器功能,我们可以在不影响系统正常工作的情况下,大大降低产品的功耗。通过以上的代码,我们实现了一个简单的掉电唤醒定时器功能。当系统进入睡眠模式后,定时器开始计时,到达预设的唤醒时间后,定时器中断被触发,系统从睡眠模式唤醒,执行相应的操作。

CodeSageX的博客 1092

【WRF-Urban】Registry.EM_COMMON文件概述及urban有关变量

Registry.EM_COMMON文件概述及urban有关变量

WW、forever的博客 1596

win10 跳过U8环境检测的IE WebControls.rar

win10 安装u8的时候 提示IE WebControls 不通过,这个工具可以欺骗u8的检查。 跳过U8环境检测的IE WebControls。提示导入失败后,重新检测通过。

jdk-8u144-linux-x64.tar.gz.

该资源为搭建Linux系统Java环境用,资源的后缀为tar.gz格式的压缩包

Data-Structures-and-Algorithm-Analysis-in-Java.pdf

作者: Weiss, Mark A. 出版社: Addison Wesley Data Structures and Algorithm Analysis in Java is an “advanced algorithms” book that fits between traditional CS2 and Algorithms Analysis courses. In the old ACM Curriculum Guidelines, this course was known as CS7. This text is for readers who want to learn good programming and algorithm analysis skills simultaneously so that they can develop such programs with the maximum amo...

霍尼韦尔SoftMaster使用说明

霍尼韦尔SoftMaster使用说明

上一篇: 【人工智能的数学基础】圆周率(Ratio of Circumference to Diameter)的计算
下一篇: 【人工智能的数学基础】超球面上的von Mises-Fisher(vMF)分布
DeepThink.ai
DeepThink.ai 优质创作者: 人工智能技术领域 优质创作者: 人工智能技术领域 领域专家: 后端开发技术领域 领域专家: 后端开发技术领域
博客等级 码龄11年 7万+粉丝 12万+原创
评论 24
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
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

DeepThink.ai

光子AI,让AI照亮每个人。

¥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
⌂ 换网址