論文の概要: Robust Line Segments Matching via Graph Convolution Networks

• arxiv url: http://arxiv.org/abs/2004.04993v2
• Date: Mon, 13 Apr 2020 04:58:30 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-14 21:11:29.143575
• Title: Robust Line Segments Matching via Graph Convolution Networks
• Title（参考訳）: グラフ畳み込みネットワークによるロバストラインセグメントマッチング
• Authors: QuanMeng Ma, Guang Jiang and DianZhi Lai
• Abstract要約: 本稿では,グラフ畳み込みネットワークを用いて一対の画像の線分をマッチングする手法を提案する。 手作りのラインマッチングアルゴリズムとは対照的に,本手法では,エンド・ツー・エンドのトレーニングを通じて,局所的な行セグメント記述子とマッチングを同時に学習する。
• 参考スコア（独自算出の注目度）: 0.4297070083645048
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Line matching plays an essential role in structure from motion (SFM) and simultaneous localization and mapping (SLAM), especially in low-textured and repetitive scenes. In this paper, we present a new method of using a graph convolution network to match line segments in a pair of images, and we design a graph-based strategy of matching line segments with relaxing to an optimal transport problem. In contrast to hand-crafted line matching algorithms, our approach learns local line segment descriptor and the matching simultaneously through end-to-end training. The results show our method outperforms the state-of-the-art techniques, and especially, the recall is improved from 45.28% to 70.47% under a similar presicion. The code of our work is available at https://github.com/mameng1/GraphLineMatching.
• Abstract（参考訳）: ラインマッチングは、特に低テクスチャと反復シーンにおいて、動き(SFM)と同時局所化とマッピング(SLAM)の構造において重要な役割を果たす。 本稿では,グラフ畳み込みネットワークを用いて一対のイメージ内の線分をマッチングし,最適輸送問題に緩和して線分をマッチングするグラフベースの戦略を設計する。 手作りのラインマッチングアルゴリズムとは対照的に、このアプローチでは、エンドツーエンドのトレーニングを通じて、ローカルラインセグメント記述子とマッチングを同時に学習する。 その結果,本手法は最先端技術よりも優れており,特にリコールの精度は45.28%から70.47%に向上した。 私たちの仕事のコードはhttps://github.com/mameng1/graphlinematchingで閲覧できます。

関連論文リスト

• Graph Coarsening via Convolution Matching for Scalable Graph Neural Network Training [22.411609128594982]
  本稿では,畳み込みグラフを作成するためのCoarsening Via Convolution Matching (CONVMATCH)アルゴリズムと,高度にスケーラブルなA-CONVMATCHを提案する。 実世界のリンク予測とノード分類グラフデータセットを用いたCONVMATCHの評価を行った。
  論文  参考訳（メタデータ） (2023-12-24T16:07:14Z)
• Patched Line Segment Learning for Vector Road Mapping [34.16241268436923]
  我々は,幾何的重要性を持つ道路グラフに対して,よく定義されたパッチラインセグメンテーション表現を構築した。 提案手法は,6時間のGPUトレーニングで最先端の性能を達成し,トレーニングコストを32倍に削減する。
  論文  参考訳（メタデータ） (2023-09-06T11:33:25Z)
• CorrMatch: Label Propagation via Correlation Matching for Semi-Supervised Semantic Segmentation [73.89509052503222]
  本稿では、CorrMatchと呼ばれる、単純だが実行可能な半教師付きセマンティックセマンティックセマンティックセマンティクス手法を提案する。 相関写像は、同一カテゴリのクラスタリングピクセルを容易に実現できるだけでなく、良好な形状情報も含んでいることを観察する。 我々は,高信頼画素を拡大し,さらに掘り出すために,画素の対の類似性をモデル化して画素伝搬を行う。 そして、相関地図から抽出した正確なクラス非依存マスクを用いて、領域伝搬を行い、擬似ラベルを強化する。
  論文  参考訳（メタデータ） (2023-06-07T10:02:29Z)
• Parsing Line Segments of Floor Plan Images Using Graph Neural Networks [0.0]
  接合ヒートマップを用いて線セグメントの終端を予測し,グラフニューラルネットワークを用いて線セグメントとそのカテゴリを抽出する。 提案手法では,ベクトル化された線分を出力することができ,実際の使用には後処理のステップを少なくする必要がある。
  論文  参考訳（メタデータ） (2023-03-07T12:32:19Z)
• Robust Attributed Graph Alignment via Joint Structure Learning and Optimal Transport [26.58964162799207]
  本稿では,構造化学習と最適輸送アライメントを併用した教師なしグラフアライメントフレームワークSLOTAlignを提案する。 マルチビュー構造学習を取り入れて、グラフ表現能力を高め、グラフ間で継承された構造と特徴の不整合の影響を低減する。 提案したSLOTAlignは、7つの教師なしグラフアライメント法と5つの特殊なKGアライメント法よりも優れた性能と強いロバスト性を示す。
  論文  参考訳（メタデータ） (2023-01-30T08:41:36Z)
• G-MSM: Unsupervised Multi-Shape Matching with Graph-based Affinity Priors [52.646396621449]
  G-MSMは、非剛体形状対応のための新しい教師なし学習手法である。 学習形態の集合に親和性グラフを自己教師型で構築する。 近年の形状対応ベンチマークで最先端の性能を示す。
  論文  参考訳（メタデータ） (2022-12-06T12:09:24Z)
• Similarity-aware Positive Instance Sampling for Graph Contrastive Pre-training [82.68805025636165]
  トレーニングセット内の既存グラフから直接正のグラフインスタンスを選択することを提案する。 私たちの選択は、特定のドメイン固有のペアワイズ類似度測定に基づいています。 さらに,ノードを動的にマスキングしてグラフ上に均等に分配する適応ノードレベルの事前学習手法を開発した。
  論文  参考訳（メタデータ） (2022-06-23T20:12:51Z)
• Training Free Graph Neural Networks for Graph Matching [103.45755859119035]
  TFGMは、グラフニューラルネットワーク(GNN)ベースのグラフマッチングのパフォーマンスをトレーニングなしで向上するフレームワークである。 TFGMをさまざまなGNNに適用することは、ベースラインよりも有望な改善を示している。
  論文  参考訳（メタデータ） (2022-01-14T09:04:46Z)
• Joint Graph Learning and Matching for Semantic Feature Correspondence [69.71998282148762]
  本稿では,グラフマッチングを向上するための信頼度の高いグラフ構造を探索するために,GLAMという共用電子グラフ学習とマッチングネットワークを提案する。 提案手法は,3つの人気ビジュアルマッチングベンチマーク (Pascal VOC, Willow Object, SPair-71k) で評価される。 すべてのベンチマークにおいて、従来の最先端のグラフマッチング手法よりも大きなマージンを達成している。
  論文  参考訳（メタデータ） (2021-09-01T08:24:02Z)
• Sequential Graph Convolutional Network for Active Learning [53.99104862192055]
  逐次グラフ畳み込みネットワーク(GCN)を用いた新しいプールベースアクティブラーニングフレームワークを提案する。 少数のランダムなサンプル画像がシードラベル付き例であるので、グラフのパラメータを学習してラベル付きノードと非ラベル付きノードを区別する。 我々はGCNの特性を利用してラベル付けされたものと十分に異なる未ラベルの例を選択する。
  論文  参考訳（メタデータ） (2020-06-18T00:55:10Z)

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。