論文の概要: Hybrid Graph Neural Networks for Crowd Counting
- arxiv url: http://arxiv.org/abs/2002.00092v1
- Date: Fri, 31 Jan 2020 23:06:03 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-05 06:39:38.756239
- Title: Hybrid Graph Neural Networks for Crowd Counting
- Title(参考訳): 集団カウントのためのハイブリッドグラフニューラルネットワーク
- Authors: Ao Luo, Fan Yang, Xin Li, Dong Nie, Zhicheng Jiao, Shangchen Zhou and
Hong Cheng
- Abstract要約: 我々はHybrid Graph Neural Network(HyGnn)と呼ばれる新しいネットワーク構造を提案する。
HyGnnは、群衆密度と補助的なタスク(ローカライゼーション)を統合して、グラフ上で共同推論を行う。
私たちのHyGnnは、4つの挑戦的なデータセットでかなりうまく機能します。
- 参考スコア(独自算出の注目度): 28.246207433374465
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Crowd counting is an important yet challenging task due to the large scale
and density variation. Recent investigations have shown that distilling rich
relations among multi-scale features and exploiting useful information from the
auxiliary task, i.e., localization, are vital for this task. Nevertheless, how
to comprehensively leverage these relations within a unified network
architecture is still a challenging problem. In this paper, we present a novel
network structure called Hybrid Graph Neural Network (HyGnn) which targets to
relieve the problem by interweaving the multi-scale features for crowd density
as well as its auxiliary task (localization) together and performing joint
reasoning over a graph. Specifically, HyGnn integrates a hybrid graph to
jointly represent the task-specific feature maps of different scales as nodes,
and two types of relations as edges:(i) multi-scale relations for capturing the
feature dependencies across scales and (ii) mutual beneficial relations
building bridges for the cooperation between counting and localization. Thus,
through message passing, HyGnn can distill rich relations between the nodes to
obtain more powerful representations, leading to robust and accurate results.
Our HyGnn performs significantly well on four challenging datasets:
ShanghaiTech Part A, ShanghaiTech Part B, UCF_CC_50 and UCF_QNRF, outperforming
the state-of-the-art approaches by a large margin.
- Abstract(参考訳): 群衆のカウントは、大規模かつ密度の変動のため、重要かつ困難なタスクである。
近年の研究では,多元的特徴間の豊富な関係を蒸留し,補助的課題,すなわち局所化から有用な情報を活用することが重要であることが示されている。
それでも、これらの関係を統一ネットワークアーキテクチャ内で包括的に活用する方法は、依然として難しい問題である。
本稿では,ハイブリッドグラフニューラルネットワーク (hygnn) と呼ばれる新しいネットワーク構造を提案する。これは,群集密度のマルチスケール特徴と,その補助タスク (局所化) を併用し,グラフ上での共同推論を行うことによって,問題を緩和することを目的としている。
具体的には、hygnnはハイブリッドグラフを統合して、異なるスケールのタスク固有の特徴マップをノードとして、そして2種類の関係をエッジとして表現する。
(i)スケール間の機能依存性を捉えるためのマルチスケール関係と
(ii)カウントとローカライゼーションの協調のために橋を架ける相互有益関係
したがって、メッセージパッシングにより、HyGnnはノード間の豊富な関係を蒸留してより強力な表現を得ることができ、堅牢で正確な結果をもたらす。
われわれのHyGnnは、上海技術パートA、上海技術パートB、UCF_CC_50、UCF_QNRFの4つの挑戦的なデータセットで非常によく機能し、最先端のアプローチを大きなマージンで上回っている。
関連論文リスト
- Graph Triple Attention Network: A Decoupled Perspective [8.958483386270638]
グラフトランスフォーマーは、マルチビューカオスとローカルグローバルカオスの2つの主要な課題に直面している。
我々は、GTの高レベルな分離された視点を提案し、それらを3つのコンポーネントと2つの相互作用レベルに分解する。
DeGTAというグラフトリプルアテンションネットワークを設計し、多視点アテンションを別々に計算し、多視点ローカルおよびグローバル情報を適応的に統合する。
論文 参考訳(メタデータ) (2024-08-14T16:29:07Z) - DGNN: Decoupled Graph Neural Networks with Structural Consistency
between Attribute and Graph Embedding Representations [62.04558318166396]
グラフニューラルネットワーク(GNN)は、複雑な構造を持つグラフ上での表現学習の堅牢性を示す。
ノードのより包括的な埋め込み表現を得るために、Decoupled Graph Neural Networks (DGNN)と呼ばれる新しいGNNフレームワークが導入された。
複数のグラフベンチマークデータセットを用いて、ノード分類タスクにおけるDGNNの優位性を検証した。
論文 参考訳(メタデータ) (2024-01-28T06:43:13Z) - ResolvNet: A Graph Convolutional Network with multi-scale Consistency [47.98039061491647]
マルチスケール一貫性の概念を導入する。
グラフレベルでは、マルチスケールの一貫性は、異なる解像度で同じオブジェクトを記述する異なるグラフが同様の特徴ベクトルを割り当てるべきという事実を指す。
本稿では,リゾルダーの数学的概念に基づくフレキシブルグラフニューラルネットワークResolvNetを紹介する。
論文 参考訳(メタデータ) (2023-09-30T16:46:45Z) - Redesigning Multi-Scale Neural Network for Crowd Counting [68.674652984003]
本稿では, 集団カウントのための多スケール密度マップを階層的にマージする, 密度専門家の階層的混合を導入する。
階層構造の中では、すべてのスケールからの貢献を促進するために、専門家の競争とコラボレーションのスキームが提示されます。
実験の結果,提案手法は5つの公開データセット上での最先端性能を実現することがわかった。
論文 参考訳(メタデータ) (2022-08-04T21:49:29Z) - r-GAT: Relational Graph Attention Network for Multi-Relational Graphs [8.529080554172692]
Graph Attention Network (GAT)は、単純な無方向性グラフと単一のリレーショナルグラフデータのみをモデル化することに焦点を当てている。
マルチチャネルエンティティ表現を学習するための関係グラフアテンションネットワークであるr-GATを提案する。
リンク予測とエンティティ分類タスクの実験は、我々のr-GATがマルチリレーショナルグラフを効果的にモデル化できることを示します。
論文 参考訳(メタデータ) (2021-09-13T12:43:00Z) - Graph Neural Networks for Inconsistent Cluster Detection in Incremental
Entity Resolution [3.4806267677524896]
成熟したデータリポジトリでは、関係は概ね正しいが、元のデータやエンティティの解決システムにおけるエラーのため、漸進的な改善が必要である。
本稿では,共存しない既存関連製品群である不整合クラスタ(ic)を同定する新しい手法を提案する。
既存のMessage Passing Neural Networkがこのタスクで、従来のグラフ処理技術を上回る性能を発揮することを実証する。
論文 参考訳(メタデータ) (2021-05-12T20:39:22Z) - 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) - Jointly Cross- and Self-Modal Graph Attention Network for Query-Based
Moment Localization [77.21951145754065]
本稿では,共同グラフを渡る反復的メッセージのプロセスとして,このタスクをリキャストするクロスモーダルグラフ注意ネットワーク(CSMGAN)を提案する。
CSMGANは2つのモード間の高次相互作用を効果的に捉えることができ、より正確な局所化を可能にします。
論文 参考訳(メタデータ) (2020-08-04T08:25:24Z) - Tensor Graph Convolutional Networks for Multi-relational and Robust
Learning [74.05478502080658]
本稿では,テンソルで表されるグラフの集合に関連するデータから,スケーラブルな半教師付き学習(SSL)を実現するためのテンソルグラフ畳み込みネットワーク(TGCN)を提案する。
提案アーキテクチャは、標準的なGCNと比較して大幅に性能が向上し、最先端の敵攻撃に対処し、タンパク質間相互作用ネットワーク上でのSSL性能が著しく向上する。
論文 参考訳(メタデータ) (2020-03-15T02:33:21Z)
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。