論文の概要: Learning Global and Local Consistent Representations for Unsupervised
Image Retrieval via Deep Graph Diffusion Networks
- arxiv url: http://arxiv.org/abs/2001.01284v2
- Date: Thu, 11 Jun 2020 19:53:53 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-14 08:00:44.488462
- Title: Learning Global and Local Consistent Representations for Unsupervised
Image Retrieval via Deep Graph Diffusion Networks
- Title（参考訳）: 深部グラフ拡散ネットワークを用いた教師なし画像検索のためのグローバル・ローカル一貫性表現の学習
- Authors: Zhiyong Dou, Haotian Cui, Lin Zhang, Bo Wang
- Abstract要約: Graph Diffusion Networks (GRAD-Net) は不規則グラフ上のディープラーニングアルゴリズムの新しい変種である。
GRAD-Netは、画像多様体の局所的構造と大域的構造の両方を教師なしで利用することによって意味表現を学習する。
スパース符号化技術を利用することで、GRAD-Netは画像多様体のグローバル情報を保存するだけでなく、スケーラブルなトレーニングと効率的なクエリを可能にする。
- 参考スコア（独自算出の注目度）: 7.91572577141643
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Diffusion has shown great success in improving accuracy of unsupervised image
retrieval systems by utilizing high-order structures of image manifold.
However, existing diffusion methods suffer from three major limitations: 1)
they usually rely on local structures without considering global manifold
information; 2) they focus on improving pair-wise similarities within existing
images input output transductively while lacking flexibility to learn
representations for novel unseen instances inductively; 3) they fail to scale
to large datasets due to prohibitive memory consumption and computational
burden due to intrinsic high-order operations on the whole graph. In this
paper, to address these limitations, we propose a novel method, Graph Diffusion
Networks (GRAD-Net), that adopts graph neural networks (GNNs), a novel variant
of deep learning algorithms on irregular graphs. GRAD-Net learns semantic
representations by exploiting both local and global structures of image
manifold in an unsupervised fashion. By utilizing sparse coding techniques,
GRAD-Net not only preserves global information on the image manifold, but also
enables scalable training and efficient querying. Experiments on several large
benchmark datasets demonstrate effectiveness of our method over
state-of-the-art diffusion algorithms for unsupervised image retrieval.
- Abstract（参考訳）: 画像多様体の高次構造を利用して,教師なし画像検索システムの精度向上に成功している。
しかし、既存の拡散法には3つの大きな制限がある。
1) それらは通常,大域多様体情報を考慮せずに,局所構造に依存する。
2) 既存の画像入力出力のペアワイド類似性の改善に重点を置いており, 新規な未確認インスタンスの表現を誘導的に学習する柔軟性を欠いている。
3)グラフ全体における本質的な高次演算によるメモリ消費の禁止と計算負荷のため,大規模なデータセットにスケールできない。
本稿では,これらの制約に対処するために,不規則グラフ上のディープラーニングアルゴリズムの新しい変種であるグラフニューラルネットワーク(gnns)を採用する新しい手法であるグラフ拡散ネットワーク(grad-net)を提案する。
GRAD-Netは、画像多様体の局所的構造と大域的構造の両方を教師なしで利用することによって意味表現を学習する。
スパースコーディング技術を利用することで、grad-netは画像多様体のグローバル情報を保存できるだけでなく、スケーラブルなトレーニングと効率的なクエリを可能にする。
いくつかの大規模ベンチマークデータセットにおける実験により,教師なし画像検索における最先端拡散アルゴリズムの有効性が実証された。
関連論文リスト
- Enhancing Size Generalization in Graph Neural Networks through Disentangled Representation Learning [7.448831299106425]
DISGENは、グラフ表現からサイズ因子をアンタングルするために設計された、モデルに依存しないフレームワークである。
実験の結果, DISGENは実世界のデータセットにおいて, 最先端のモデルよりも最大6%優れていた。
論文 参考訳（メタデータ） (2024-06-07T03:19:24Z) - Leveraging Graph Diffusion Models for Network Refinement Tasks [72.54590628084178]
本稿では,グラフ拡散に基づく新しいグラフ生成フレームワークSGDMを提案する。
我々のフレームワークはグラフ拡散モデルのスケーラビリティと忠実度を向上するだけでなく、逆プロセスを利用して新しい条件付き生成タスクを実行する。
論文 参考訳（メタデータ） (2023-11-29T18:02:29Z) - NodeFormer: A Scalable Graph Structure Learning Transformer for Node
Classification [70.51126383984555]
本稿では,任意のノード間のノード信号を効率的に伝搬する全ペアメッセージパッシング方式を提案する。
効率的な計算は、カーナライズされたGumbel-Softmax演算子によって実現される。
グラフ上のノード分類を含む様々なタスクにおいて,本手法の有望な有効性を示す実験を行った。
論文 参考訳（メタデータ） (2023-06-14T09:21:15Z) - Learning Strong Graph Neural Networks with Weak Information [64.64996100343602]
我々は、弱い情報(GLWI)を用いたグラフ学習問題に対する原則的アプローチを開発する。
非完全構造を持つ入力グラフ上で長距離情報伝搬を行うデュアルチャネルGNNフレームワークであるD$2$PTを提案するが、グローバルな意味的類似性を符号化するグローバルグラフも提案する。
論文 参考訳（メタデータ） (2023-05-29T04:51:09Z) - Graph Convolutional Networks based on Manifold Learning for
Semi-Supervised Image Classification [9.171175292808144]
半教師付き画像分類のためのGCNに基づく新しい手法であるManifold-GCNを提案する。
本論文の主な仮説は,グラフ構造をモデル化するための多様体学習を用いることで,GCN分類をさらに改善できるというものである。
全ての多様体学習アルゴリズムは完全に教師なしであり、ラベル付きデータの可用性が懸念されるシナリオでは特に有用である。
論文 参考訳（メタデータ） (2023-04-24T23:24:46Z) - Digraphwave: Scalable Extraction of Structural Node Embeddings via
Diffusion on Directed Graphs [20.432261314154804]
Digraphwaveは、有向グラフ上の構造ノード埋め込みを抽出するスケーラブルなアルゴリズムである。
この2つの組込み強化は、自己同型アイデンティティの分類において、マクロF1スコアの顕著な増加につながることが示されている。
論文 参考訳（メタデータ） (2022-07-20T19:03:35Z) - Graph Neural Diffusion Networks for Semi-supervised Learning [6.376489604292251]
Graph Convolutional Networks (GCN)は、グラフに基づく半教師付き学習のパイオニアモデルである。
本稿では,局所的およびグローバルな近隣情報を利用したニューラルネット(グラフニューラルディフュージョンネットワーク)と呼ばれる新しいグラフニューラルネットワークを提案する。
ニューラルネットワークの採用により、ニューラルネットワークの拡散は異なるデータセットに適応できる。
論文 参考訳（メタデータ） (2022-01-24T14:07:56Z) - A Robust and Generalized Framework for Adversarial Graph Embedding [73.37228022428663]
本稿では,AGE という逆グラフ埋め込みのための頑健なフレームワークを提案する。
AGEは、暗黙の分布から強化された負のサンプルとして偽の隣接ノードを生成する。
本フレームワークでは,3種類のグラフデータを扱う3つのモデルを提案する。
論文 参考訳（メタデータ） (2021-05-22T07:05:48Z) - Sub-graph Contrast for Scalable Self-Supervised Graph Representation
Learning [21.0019144298605]
既存のグラフニューラルネットワークは、計算量やメモリコストが限られているため、完全なグラフデータで供給される。
textscSubg-Conは、中央ノードとそのサンプルサブグラフ間の強い相関を利用して、地域構造情報をキャプチャすることで提案される。
既存のグラフ表現学習アプローチと比較して、textscSubg-Conは、より弱い監視要件、モデル学習のスケーラビリティ、並列化において、顕著なパフォーマンス上のアドバンテージを持っています。
論文 参考訳（メタデータ） (2020-09-22T01:58:19Z) - Multi-Level Graph Convolutional Network with Automatic Graph Learning
for Hyperspectral Image Classification [63.56018768401328]
HSI分類のための自動グラフ学習法(MGCN-AGL)を用いたマルチレベルグラフ畳み込みネットワーク(GCN)を提案する。
空間的に隣接する領域における重要度を特徴付けるために注意機構を利用することで、最も関連性の高い情報を適応的に組み込んで意思決定を行うことができる。
MGCN-AGLは局所的に生成した表現表現に基づいて画像領域間の長距離依存性を符号化する。
論文 参考訳（メタデータ） (2020-09-19T09:26:20Z) - Graph Highway Networks [77.38665506495553]
グラフ畳み込みネットワーク(GCN)は、グラフ表現の有効性と効率性から、グラフ表現の学習に広く利用されている。
彼らは、多くの層が積み重ねられたとき、学習された表現が類似したベクトルに収束するという悪名高い過度に滑らかな問題に悩まされる。
本稿では,GCN学習プロセスにおける均一性と不均一性との間のトレードオフのバランスをとるため,ゲーティングユニットを利用したグラフハイウェイネットワークを提案する。
論文 参考訳（メタデータ） (2020-04-09T16:26:43Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。