Množica vozlišč dvovrstnega omrežja je sestavljena iz dveh disjunktnih podmnožic, povezave omrežja pa povezujejo ti dve podmnožici. Povezave so lahko utežene. Razvili smo novo metodo za identifikacijo pomembnih podomrežij v dvovrstnih omrežjih. Metoda je kombinacija in razširitev idej posplošenih sredic v enovrstnih omrežjih in $(p,q)$ sredic v dvovrstnih omrežjih. V članku predstavimo pojem posplošenih dvovrstnih sredic in opišemo nekaj njihovih lastnosti. Predstavljena sta tudi učinkovit algoritem za določanje posplošenih dvovrstnih sredic in analiza njegove zahtevnosti. Predstavljenih je tudi nekaj rezultatov analiz podatkov iz resničnega življenja.
COBISS.SI-ID: 17369177
Hierarhično odkrivanje gruč v omrežjih je pristop, s katerim lahko odkrijemo tesno povezane notranje gruče (skupine, skupnosti) vozlišč v omrežjih izhajajoč iz njihove strukture. Poleg vozlišč je mogoče gručiti tudi njihove povezave. Množice vozlišč, ki pripadajo specifičnim gručam, se lahko prekrivajo. Čeprav prekrivanje gruč sicer ni pričakovano, je marsikdaj neizogibno, oziroma inherentno omrežjem, ki jih preučujemo. Z ustreznimi diskriminatornimi metrikami, ki dodatno okarakterizirajo vozlišča, lahko dopolnimo strategijo gručenja tako, da upoštevamo npr. semantični pomen povezav ali vozlišč glede na njihove lastnosti. Predlagamo nov hiearhični algoritem za gručenje povezav izbranega omrežja, ki v primerjavi z obstoječimi algoritmi upošteva poleg strukture omrežja tudi lastnosti vozlišč in/ali povezav (opisi, atributi) s pomočjo monotone diskriminatorne metrike. Algoritm najde skupine, ki tvorijo povezana podomreža (povezanost je podana omejitev) in vsebujejo lokalno podobna vozlišča, v skladu z njihovim opisom. Ta implicitno temelji na linijskemu grafu podanega omrežja in s tem zmanjša prostorske in časovne zahtevnosti algoritma. Obe algoritmični kompleksnosti preiskujemo tako analitično, kot tudi statistično. Z uporabo podanih metrik lahko naš algoritem odkrije, poleg običajne strukture prekrivajočih se skupnosti, tudi hierarhčno povezane podregije znotraj le teh. To demonstriramo na primeru umetnih in realnih omrežij.
COBISS.SI-ID: 17567833
V članku je predstavljen problem segmentacije slike s superpiksli, ki ohranja robove in topologijo. Osredotočili smo se na hitrost in natančnost algoritma, ki temelji na Markovskih slučajnih poljih in je bil predstavljen v članku K. Yamaguchi, D. McAllester, and R. Urtasun, Efficient joint segmentation, occlusion labeling, stereo and flow estimation, ECCV 2014. Inferenco smo pospešili, v smislu števila potrebnih korakov, s hierarhičnim pristopom. Algoritem smo evaluirali in primerjali s trenutno najboljšimi algoritmi, ki temeljijo na pristopu s superpiksli, na bazh slik BSD in KITTI. Naš pristop v primerjavi z osnovnim algoritmom občutno izboljša metrike glede natančnosti segmentacije in doseže najmanjšo napako v primeru ocene globinske informacije. Uporabljamo KITTI vision benchmark suite: kot podporo avtonomni vožnji z uporabo računalniškega vida.