論文の概要: Topological Mapping for Manhattan-like Repetitive Environments
- arxiv url: http://arxiv.org/abs/2002.06575v3
- Date: Tue, 10 Mar 2020 16:11:21 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-31 18:15:31.510709
- Title: Topological Mapping for Manhattan-like Repetitive Environments
- Title（参考訳）: マンハッタンのような反復環境のトポロジマッピング
- Authors: Sai Shubodh Puligilla, Satyajit Tourani, Tushar Vaidya, Udit Singh
Parihar, Ravi Kiran Sarvadevabhatla and K. Madhava Krishna
- Abstract要約: 屋内の倉庫環境に挑戦するトポロジカルマッピングフレームワークについて紹介する。
我々は、トポロジカルグラフやマンハッタングラフといった抽象概念の維持が、正確なポースグラフの復元に役立つことを示す。
- 参考スコア（独自算出の注目度）: 17.434289865953424
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We showcase a topological mapping framework for a challenging indoor
warehouse setting. At the most abstract level, the warehouse is represented as
a Topological Graph where the nodes of the graph represent a particular
warehouse topological construct (e.g. rackspace, corridor) and the edges denote
the existence of a path between two neighbouring nodes or topologies. At the
intermediate level, the map is represented as a Manhattan Graph where the nodes
and edges are characterized by Manhattan properties and as a Pose Graph at the
lower-most level of detail. The topological constructs are learned via a Deep
Convolutional Network while the relational properties between topological
instances are learnt via a Siamese-style Neural Network. In the paper, we show
that maintaining abstractions such as Topological Graph and Manhattan Graph
help in recovering an accurate Pose Graph starting from a highly erroneous and
unoptimized Pose Graph. We show how this is achieved by embedding topological
and Manhattan relations as well as Manhattan Graph aided loop closure relations
as constraints in the backend Pose Graph optimization framework. The recovery
of near ground-truth Pose Graph on real-world indoor warehouse scenes vindicate
the efficacy of the proposed framework.
- Abstract（参考訳）: 我々は,屋内倉庫環境に挑戦するためのトポロジカルマッピングフレームワークを紹介する。
最も抽象的なレベルでは、倉庫は、グラフのノードが特定の倉庫のトポロジー構造(例えばラックスペース、回廊)を表し、エッジが隣接する2つのノードまたはトポロジの間の経路の存在を表すトポロジーグラフとして表現される。
中間レベルでは、マップはマンハッタングラフとして表現され、ノードとエッジはマンハッタンの特性によって特徴づけられ、最下層の細部ではポーズグラフとして表現される。
トポロジ的構造はDeep Convolutional Networkを通じて学習され、トポロジ的インスタンス間の関係性はSiameseスタイルのニューラルネットワークを介して学習される。
本稿では,トポロジカルグラフやマンハッタングラフなどの抽象化の維持が,高度に最適化されていないポーズグラフから正確なポーズグラフを復元する上で有効であることを示す。
背景となるPose Graph最適化フレームワークの制約として,トポロジ的およびマンハッタン的関係とManhattan Graphのループクロージャ関係を組み込むことによって,これを実現できることを示す。
実世界の屋内倉庫シーンにおける地中近傍ポーズグラフの復元は,提案手法の有効性を実証するものである。
関連論文リスト
- Topograph: An efficient Graph-Based Framework for Strictly Topology Preserving Image Segmentation [78.54656076915565]
位相的正しさは多くの画像分割タスクにおいて重要な役割を果たす。
ほとんどのネットワークは、Diceのようなピクセル単位の損失関数を使って、トポロジカルな精度を無視して訓練されている。
トポロジ的に正確な画像セグメンテーションのための新しいグラフベースのフレームワークを提案する。
論文 参考訳（メタデータ） (2024-11-05T16:20:14Z) - Deep Manifold Graph Auto-Encoder for Attributed Graph Embedding [51.75091298017941]
本稿では,属性付きグラフデータに対する新しいDeep Manifold (Variational) Graph Auto-Encoder (DMVGAE/DMGAE)を提案する。
提案手法は,最先端のベースラインアルゴリズムを,一般的なデータセット間でのダウンストリームタスクの差を大きく越える。
論文 参考訳（メタデータ） (2024-01-12T17:57:07Z) - Improving embedding of graphs with missing data by soft manifolds [51.425411400683565]
グラフ埋め込みの信頼性は、連続空間の幾何がグラフ構造とどの程度一致しているかに依存する。
我々は、この問題を解決することができる、ソフト多様体と呼ばれる新しい多様体のクラスを導入する。
グラフ埋め込みにソフト多様体を用いることで、複雑なデータセット上のデータ解析における任意のタスクを追求するための連続空間を提供できる。
論文 参考訳（メタデータ） (2023-11-29T12:48:33Z) - Recovering Missing Node Features with Local Structure-based Embeddings [34.79801041888119]
グラフの集合に対して、完全に欠落したノード機能を復元するフレームワークを提案する。
我々のアプローチは、グラフトポロジーと既存の結節値の両方からの事前情報を取り入れている。
論文 参考訳（メタデータ） (2023-09-16T18:23:14Z) - Hyperbolic Geometric Graph Representation Learning for
Hierarchy-imbalance Node Classification [30.56321501873245]
階層特性の異なるラベル付きノードのトレーニングは,ノード分類タスクに大きな影響を及ぼすことを示す。
本稿では,階層不均衡問題を軽減するために,HyperIMBAと呼ばれる新しい双曲型幾何学的階層不均衡学習フレームワークを提案する。
階層的不均衡ノード分類タスクに対するHyperIMBAの優れた有効性を示す実験結果である。
論文 参考訳（メタデータ） (2023-04-11T08:38:05Z) - Structure-Preserving Graph Representation Learning [43.43429108503634]
本研究では,グラフの構造情報を完全にキャプチャする構造保存グラフ表現学習(SPGRL)手法を提案する。
具体的には、元のグラフの不確かさと誤情報を減らすために、k-Nearest Neighbor法による補完的なビューとして特徴グラフを構築する。
本手法は、半教師付きノード分類タスクにおいて非常に優れた性能を示し、グラフ構造やノード特徴に対するノイズ摂動下での堅牢性に優れる。
論文 参考訳（メタデータ） (2022-09-02T02:49:19Z) - Graph Spectral Embedding using the Geodesic Betweeness Centrality [76.27138343125985]
本稿では、局所的な類似性、接続性、グローバル構造を教師なしで表現するグラフSylvester Embedding (GSE)を紹介する。
GSEはシルヴェスター方程式の解を用いて、ネットワーク構造と近傍の近接を1つの表現で捉える。
論文 参考訳（メタデータ） (2022-05-07T04:11:23Z) - node2coords: Graph Representation Learning with Wasserstein Barycenters [59.07120857271367]
グラフの表現学習アルゴリズムである node2coords を導入する。
低次元空間を同時に学習し、その空間内のノードを座標する。
実験の結果,node2coordで学習した表現は解釈可能であることがわかった。
論文 参考訳（メタデータ） (2020-07-31T13:14:25Z) - Graph Pooling with Node Proximity for Hierarchical Representation
Learning [80.62181998314547]
本稿では,ノード近接を利用したグラフプーリング手法を提案し,そのマルチホップトポロジを用いたグラフデータの階層的表現学習を改善する。
その結果,提案したグラフプーリング戦略は,公開グラフ分類ベンチマークデータセットの集合において,最先端のパフォーマンスを達成できることが示唆された。
論文 参考訳（メタデータ） (2020-06-19T13:09:44Z) - Learning Deep Graph Representations via Convolutional Neural Networks [7.1945109570193795]
本稿では,グラフ特徴写像の深部表現を学習するためのDeepMapというフレームワークを提案する。
グラフの学習された深部表現は、複雑な高次相互作用をキャプチャする密度で低次元のベクトルである。
我々は、様々なグラフ分類ベンチマークでDeepMapを実証的に検証し、最先端のパフォーマンスを実現することを実証した。
論文 参考訳（メタデータ） (2020-04-05T08:49:27Z) - Deep Graph Mapper: Seeing Graphs through the Neural Lens [4.401427499962144]
我々はMapperとグラフニューラルネットワーク(GNN)の表現力を組み合わせることで、グラフの階層的でトポロジカルな視覚化を生成する。
これらの視覚化は、複雑なグラフの構造を識別するだけでなく、様々なタスクを解くためにそれらに適用されたモデルを理解する手段を提供する。
論文 参考訳（メタデータ） (2020-02-10T15:29:09Z)
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。