Рассмотрена проблема раскраски.Модель для контролируемого обучения на графиках с изменяющейся структурой
У меня есть обучающий набор неупорядоченных графиков (изображений) с различным числом вершин и ребер (цветовых областей и смежности между ними, соответственно).
С каждой вершиной (цветом, областью и т. Д.) Связано с фиксированным числом признаков (длина общей границы, цветовой контраст и т. Д.).
Для входного графика (изображение, которое должно быть окрашено) обученная модель должна указывать цвет для каждой вершины (области цвета) входного графика.
Классические регрессионные алгоритмы (svm, деревья решений и т. Д.) Принимают фиксированные векторы как входные и возвращаемые фиксированные размерные векторы.
Есть ли модель, которая, естественно, обрабатывает различное количество вершин/ребер?
Существует ли подход к адаптации моделей фиксированной структуры (MRF, фактор-графы и т. Д.) Для обработки этого конкретного случая?
Первое изображение из «[P robabilistic Colour-by-Numbers: предлагать расцветку шаблонов с использованием диаграмм факторов] (https://graphics.stanford.edu/~mdfisher/patternColoring.html) », где авторы представляют модель вероятностного графа факторов для автоматической раскраски 2D-моделей. К сожалению, их подход ограничен фиксированным размером цветовой палитры. –
Возможно, вне темы, поскольку это больше (математическое) моделирование, чем программирование. – cel