論文の概要: Learning Furniture Compatibility with Graph Neural Networks
- arxiv url: http://arxiv.org/abs/2004.07268v1
- Date: Wed, 15 Apr 2020 18:04:06 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-13 03:06:26.937091
- Title: Learning Furniture Compatibility with Graph Neural Networks
- Title（参考訳）: グラフニューラルネットワークとの学習家具互換性
- Authors: Luisa F. Polania, Mauricio Flores, Yiran Li, and Matthew Nokleby
- Abstract要約: 本稿では,画像から家具品のスタイル整合性を予測するためのグラフニューラルネットワーク (GNN) を提案する。
画像毎に特徴表現を抽出する深層CNNを構成する2つのGNNモデルを提案する。
本研究は,Bonn と Singapore の家具データセット上で,互換性予測と "空白化" タスクの最先端の精度を示す。
- 参考スコア（独自算出の注目度）: 3.317293821251978
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We propose a graph neural network (GNN) approach to the problem of predicting
the stylistic compatibility of a set of furniture items from images. While most
existing results are based on siamese networks which evaluate pairwise
compatibility between items, the proposed GNN architecture exploits relational
information among groups of items. We present two GNN models, both of which
comprise a deep CNN that extracts a feature representation for each image, a
gated recurrent unit (GRU) network that models interactions between the
furniture items in a set, and an aggregation function that calculates the
compatibility score. In the first model, a generalized contrastive loss
function that promotes the generation of clustered embeddings for items
belonging to the same furniture set is introduced. Also, in the first model,
the edge function between nodes in the GRU and the aggregation function are
fixed in order to limit model complexity and allow training on smaller
datasets; in the second model, the edge function and aggregation function are
learned directly from the data. We demonstrate state-of-the art accuracy for
compatibility prediction and "fill in the blank" tasks on the Bonn and
Singapore furniture datasets. We further introduce a new dataset, called the
Target Furniture Collections dataset, which contains over 6000 furniture items
that have been hand-curated by stylists to make up 1632 compatible sets. We
also demonstrate superior prediction accuracy on this dataset.
- Abstract（参考訳）: 本稿では,画像から家具のセットのスタイリスティックな適合性を予測するためのグラフニューラルネットワーク(gnn)手法を提案する。
既存の成果のほとんどは、アイテム間の相互互換性を評価するシアムネットワークに基づいているが、提案したGNNアーキテクチャはアイテム群間の関係情報を利用する。
本稿では,各画像の特徴表現を抽出する深層CNNと,集合内の家具品間の相互作用をモデル化するゲートリカレント・ユニット(GRU)ネットワークと,適合点を算出する集約関数からなる2つのGNNモデルを提案する。
第1のモデルでは、同一の家具セットに属するアイテムに対するクラスタ化埋め込みの生成を促進する一般化コントラスト損失関数を導入する。
また、第1モデルでは、GRU内のノードと集約関数の間のエッジ関数をモデル複雑性を制限し、より小さなデータセットのトレーニングを可能にするために固定し、第2モデルでは、エッジ関数と集約関数を直接データから学習する。
本研究は,Bonn と Singapore の家具データセット上で,互換性予測と "空白化" タスクの最先端の精度を示す。
さらに新しいデータセットであるTarget Furniture Collectionsデータセットを導入し、1632の互換セットを構成するためにスタイリストによって手作業で計算された6000以上の家具アイテムを含む。
このデータセットでは予測精度も優れている。
関連論文リスト
- Learning with MISELBO: The Mixture Cookbook [62.75516608080322]
本稿では,VampPriorとPixelCNNデコーダネットワークを用いて,フローベース階層型変分オートエンコーダ(VAE)の正規化のための変分近似を初めて提案する。
我々は、この協調行動について、VIと適応的重要度サンプリングの新たな関係を描いて説明する。
我々は、MNISTおよびFashionMNISTデータセット上の負のログ類似度の観点から、VAEアーキテクチャの最先端結果を得る。
論文 参考訳（メタデータ） (2022-09-30T15:01:35Z) - BSAL: A Framework of Bi-component Structure and Attribute Learning for
Link Prediction [33.488229191263564]
トポロジや特徴空間からの情報を適応的に活用する二成分構造・属性学習フレームワーク(BSAL)を提案する。
BSALはノード属性を介してセマンティックトポロジを構築し、セマンティックビューに関する埋め込みを取得する。
ノード属性が持つ情報を適応的に組み込む、フレキシブルで実装が容易なソリューションを提供する。
論文 参考訳（メタデータ） (2022-04-18T03:12:13Z) - IA-GCN: Interactive Graph Convolutional Network for Recommendation [13.207235494649343]
グラフ畳み込みネットワーク(GCN)は、協調フィルタリング(CF)ベースのレコメンダシステム(RS)のための新しい最先端技術となった。
ユーザ同士の相互対話型ガイダンスを構築し,IA-GCN(InterActive GCN)と呼ばれる新しいモデルを提案する。
我々のモデルは、CFのための最先端のGCNモデルであるLightGCNの上に構築されており、エンドツーエンドで様々なGCNベースのCFアーキテクチャと組み合わせることができる。
論文 参考訳（メタデータ） (2022-04-08T03:38:09Z) - Relation Regularized Scene Graph Generation [206.76762860019065]
SGG(Scene Graph Generation)は、検出されたオブジェクトの上に構築され、オブジェクトのペアの視覚的関係を予測する。
本稿では,2つのオブジェクト間の関係を予測できる関係正規化ネットワーク(R2-Net)を提案する。
我々のR2-Netはオブジェクトラベルを効果的に洗練し、シーングラフを生成する。
論文 参考訳（メタデータ） (2022-02-22T11:36:49Z) - Simplifying approach to Node Classification in Graph Neural Networks [7.057970273958933]
グラフニューラルネットワークのノード特徴集約ステップと深さを分離し、異なる集約特徴が予測性能にどのように寄与するかを経験的に分析する。
集約ステップによって生成された全ての機能が有用であるとは限らないことを示し、これらの少ない情報的特徴を用いることは、GNNモデルの性能に有害であることを示す。
提案モデルでは,提案モデルが最先端のGNNモデルと同等あるいはそれ以上の精度を達成可能であることを実証的に示す。
論文 参考訳（メタデータ） (2021-11-12T14:53:22Z) - ARM-Net: Adaptive Relation Modeling Network for Structured Data [29.94433633729326]
ARM-Netは、構造化データに適した適応関係モデリングネットワークであり、リレーショナルデータのためのARM-Netに基づく軽量フレームワークARMORである。
ARM-Netは既存のモデルより一貫して優れており、データセットに対してより解釈可能な予測を提供する。
論文 参考訳（メタデータ） (2021-07-05T07:37:24Z) - Deep Reinforcement Learning of Graph Matching [63.469961545293756]
ノードとペアの制約下でのグラフマッチング(GM)は、最適化からコンピュータビジョンまでの領域におけるビルディングブロックである。
GMのための強化学習ソルバを提案する。
rgmはペアワイズグラフ間のノード対応を求める。
本手法は,フロントエンドの特徴抽出と親和性関数学習に焦点をあてるという意味において,従来のディープグラフマッチングモデルと異なる。
論文 参考訳（メタデータ） (2020-12-16T13:48:48Z) - CoADNet: Collaborative Aggregation-and-Distribution Networks for
Co-Salient Object Detection [91.91911418421086]
Co-Salient Object Detection (CoSOD)は、2つ以上の関連する画像を含む所定のクエリグループに繰り返し現れる健全なオブジェクトを発見することを目的としている。
課題の1つは、画像間の関係をモデリングし、活用することによって、コ・サリヤ・キューを効果的にキャプチャする方法である。
我々は,複数画像から有能かつ反復的な視覚パターンを捉えるために,エンドツーエンドの協調集約配信ネットワーク(CoADNet)を提案する。
論文 参考訳（メタデータ） (2020-11-10T04:28:11Z) - NASE: Learning Knowledge Graph Embedding for Link Prediction via Neural
Architecture Search [9.634626241415916]
リンク予測は、知識グラフ(KG)におけるエンティティ間の欠落した接続を予測するタスクである
これまでの研究では、Automated Machine Learning(AutoML)を使用して、データセットに最適なモデルを探していた。
リンク予測タスクのための新しいニューラルネットワーク探索(NAS)フレームワークを提案する。
論文 参考訳（メタデータ） (2020-08-18T03:34:09Z) - High-Order Information Matters: Learning Relation and Topology for
Occluded Person Re-Identification [84.43394420267794]
本稿では,高次関係とトポロジ情報を識別的特徴とロバストなアライメントのために学習し,新しい枠組みを提案する。
我々のフレームワークはOccluded-Dukeデータセットで最先端の6.5%mAPスコアを大幅に上回っている。
論文 参考訳（メタデータ） (2020-03-18T12:18:35Z) - Zero-Shot Video Object Segmentation via Attentive Graph Neural Networks [150.5425122989146]
本研究は、ゼロショットビデオオブジェクトセグメンテーション(ZVOS)のための新しい注意グラフニューラルネットワーク(AGNN)を提案する。
AGNNは、フレームをノードとして効率的に表現し、任意のフレームペア間の関係をエッジとして表現するために、完全に連結されたグラフを構築している。
3つのビデオセグメンテーションデータセットの実験結果は、AGNNがそれぞれのケースに新しい最先端を設定していることを示している。
論文 参考訳（メタデータ） (2020-01-19T10:45:27Z)
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。