.png){kind=icon}
返回
DABA: Decentralized and accelerated large-scale bundle adjustment
.png){kind=icon}
PRE
AI
DOI：10.1177/02783649241309968.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
扩展到任意大规模的光束调整问题需要将数据和计算分布在多个设备上。先前工作中的集中式方法由于计算和通信开销，仅能解决小规模或中等规模的问题。在本文中，我们提出了一种完全分布式的方法，用以缓解计算和通信瓶颈，从而解决任意大规模的光束调整问题。我们通过重新表述重投影误差并推导出一个新颖的替代函数来实现这一点，该函数将不同设备的优化变量解耦。这一函数使得可以使用主量最小化技术，并将光束调整简化为可以并行求解的独立优化子问题。此外，我们提出了一种高效的闭式热启动策略，该策略总能改进光束调整估计值。我们进一步应用Nesterov加速和自适应重启来提高收敛速度，同时保持其理论保证。尽管存在有限的点对点通信，但在温和条件下，我们的方法在理论上可证明收敛到一阶临界点。在大量公开数据集的广泛基准测试中，与分布式基线相比，我们的方法收敛速度更快，且内存使用量和通信负载相似。与使用单个设备的集中式基线相比，我们的方法在保持分布式特性的同时，提供了更准确的解，相比C e r e s最高可提速953.7倍，相比D e e p L M最高可提速174.6倍。代码：https://github.com/facebookresearch/DABA.
Keyword:
Large-scale bundle adjustment
majorization minimization
decentralization
acceleration
期刊
IF:
5
论文数:
2.4K
被引数:
1.5W
机构
引用论文
.png){kind=icon}
DeepLM: Large-scale Nonlinear Least Squares on Deep Learning Frameworks using Stochastic Domain DecompositionDeepLM：基于深度学习框架的随机域分解方法在大规模非线性最小二乘问题中的应用
PREAI
分享收藏Distributed Riemannian Optimization with Lazy Communication for Collaborative Geometric Estimation
OAAI
OAAI分享收藏
查看更多内容