論文の概要: Exploring Spatial Significance via Hybrid Pyramidal Graph Network for
Vehicle Re-identification
- arxiv url: http://arxiv.org/abs/2005.14684v2
- Date: Fri, 5 Jun 2020 02:23:37 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-26 22:46:47.451298
- Title: Exploring Spatial Significance via Hybrid Pyramidal Graph Network for
Vehicle Re-identification
- Title(参考訳): 自動車再識別のためのハイブリッドピラミッドグラフネットワークによる空間的意義の探索
- Authors: Fei Shen, Jianqing Zhu, Xiaobin Zhu, Yi Xie, and Jingchang Huang
- Abstract要約: 既存の車両再識別手法では,既設のバックボーンネットワークから抽出した特徴マップを,空間プール操作で集約する。
本稿では,特徴写像の空間的意義を精査するための空間グラフネットワーク(SGN)を提案する。
新たなピラミッドグラフネットワーク(PGN)は,複数スケールで特徴写像の空間的意義を包括的に探索するように設計されている。
- 参考スコア(独自算出の注目度): 11.461437773444498
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Existing vehicle re-identification methods commonly use spatial pooling
operations to aggregate feature maps extracted via off-the-shelf backbone
networks. They ignore exploring the spatial significance of feature maps,
eventually degrading the vehicle re-identification performance. In this paper,
firstly, an innovative spatial graph network (SGN) is proposed to elaborately
explore the spatial significance of feature maps. The SGN stacks multiple
spatial graphs (SGs). Each SG assigns feature map's elements as nodes and
utilizes spatial neighborhood relationships to determine edges among nodes.
During the SGN's propagation, each node and its spatial neighbors on an SG are
aggregated to the next SG. On the next SG, each aggregated node is re-weighted
with a learnable parameter to find the significance at the corresponding
location. Secondly, a novel pyramidal graph network (PGN) is designed to
comprehensively explore the spatial significance of feature maps at multiple
scales. The PGN organizes multiple SGNs in a pyramidal manner and makes each
SGN handles feature maps of a specific scale. Finally, a hybrid pyramidal graph
network (HPGN) is developed by embedding the PGN behind a ResNet-50 based
backbone network. Extensive experiments on three large scale vehicle databases
(i.e., VeRi776, VehicleID, and VeRi-Wild) demonstrate that the proposed HPGN is
superior to state-of-the-art vehicle re-identification approaches.
- Abstract(参考訳): 既存の車両再識別手法では, 既設のバックボーンネットワークから抽出した特徴マップの収集に空間プール操作が一般的である。
彼らは特徴マップの空間的重要性の探索を無視し、最終的に車両の再識別性能を低下させた。
本稿では,まず,特徴写像の空間的意義を詳細に検討するために,革新的な空間グラフネットワーク (sgn) を提案する。
SGNは複数の空間グラフ(SG)を積み重ねる。
各SGは特徴マップの要素をノードとして割り当て、空間的近傍関係を利用してノード間のエッジを決定する。
SGNの伝搬中、SG上の各ノードとその空間近傍を次のSGに集約する。
次のSGでは、各集約ノードを学習可能なパラメータで再重み付けして、対応する位置における重要度を求める。
第二に、新しいピラミッドグラフネットワーク(PGN)は、複数スケールで特徴写像の空間的意義を包括的に探求するために設計されている。
PGNはピラミッド状に複数のSGNを編成し、それぞれのSGNが特定のスケールの特徴マップを処理する。
最後に、ハイブリッドピラミッドグラフネットワーク(HPGN)を開発し、PGNをResNet-50ベースのバックボーンネットワークに埋め込む。
3つの大規模車両データベース(VeRi776、VeRiID、VeRi-Wild)の大規模な実験により、提案されたHPGNは最先端の車両再識別手法よりも優れていることが示された。
関連論文リスト
- SpaGBOL: Spatial-Graph-Based Orientated Localisation [15.324623975476348]
都市域内のクロスビューなジオローカライゼーションは、現在のデータセットや技術に空間的構造が欠如していることから、部分的には困難である。
本稿では,局所的な観測のシーケンスをモデル化するためのグラフ表現の利用と,対象位置の接続性を提案する。
論文 参考訳(メタデータ) (2024-09-23T20:04:29Z) - DepWiGNN: A Depth-wise Graph Neural Network for Multi-hop Spatial
Reasoning in Text [52.699307699505646]
マルチホップ空間推論のためのDepWiGNN(Depth-Wise Graph Neural Network)を提案する。
具体的には,新しいノードメモリ方式を設計し,グラフの幅次元ではなく深さ次元の情報を集約する。
2つの挑戦的なマルチホップ空間推論データセットの実験結果から,DepWiGNNが既存の空間推論手法より優れていることが示された。
論文 参考訳(メタデータ) (2023-10-19T08:07:22Z) - Geo-Encoder: A Chunk-Argument Bi-Encoder Framework for Chinese
Geographic Re-Ranking [61.60169764507917]
中国の地理的再ランクタスクは、検索された候補者の中で最も関連性の高い住所を見つけることを目的としている。
そこで我々は,中国語の地理的意味論をより効果的に統合する,革新的なフレームワークであるGeo-Encoderを提案する。
論文 参考訳(メタデータ) (2023-09-04T13:44:50Z) - GeoSpark: Sparking up Point Cloud Segmentation with Geometry Clue [25.747471104753426]
GeoSparkは、ネットワークに幾何学的ヒントを組み込んだプラグインモジュールで、機能学習とダウンサンプリングを起動する。
機能集約のために、GeoSparkはローカルポイントと近隣の幾何学的パーティションの両方からネットワークを学習することで改善する。
GeoSparkは、幾何学的分割情報を使用して、ユニークな特徴を持つポイントが保存され、冗長なポイントが融合されるダウンサンプリングプロセスを導く。
論文 参考訳(メタデータ) (2023-03-14T23:30:46Z) - HSGNet: Object Re-identification with Hierarchical Similarity Graph
Network [0.7406388656098399]
オブジェクトの再識別方法は、バックボーンネットワーク、特徴集約、損失関数から構成される。
バックボーンと再識別ネットワークの競合を軽減するために,階層的類似性グラフモジュール(HSGM)を設計する。
我々は,HSGMをバックボーンネットワークに埋め込むことにより,新しい階層型類似性グラフネットワーク(HSGNet)を開発した。
論文 参考訳(メタデータ) (2022-11-10T11:02:40Z) - Global Hierarchical Attention for 3D Point Cloud Analysis [88.56041763189162]
我々は,GHA(Global Hierarchical Attention)と呼ばれる3Dポイントクラウド解析のための新しい注意機構を提案する。
セマンティックセグメンテーションのタスクでは、GHAはScanNet上のMinkowskiEngineベースラインに+1.7%のmIoU増加を与える。
3Dオブジェクト検出タスクでは、GHAはnuScenesデータセット上でCenterPointベースラインを+0.5%mAP改善する。
論文 参考訳(メタデータ) (2022-08-07T19:16:30Z) - Reasoning Graph Networks for Kinship Verification: from Star-shaped to
Hierarchical [85.0376670244522]
階層型推論グラフネットワークの学習による顔の親和性検証の問題点について検討する。
より強力で柔軟なキャパシティを利用するために,星型推論グラフネットワーク(S-RGN)を開発した。
また、より強力で柔軟なキャパシティを利用する階層型推論グラフネットワーク(H-RGN)も開発しています。
論文 参考訳(メタデータ) (2021-09-06T03:16:56Z) - Graph Feature Gating Networks [31.20878472589719]
本稿では,グラフ信号の雑音化問題に基づく一般グラフ特徴ゲーティングネットワーク(gfgn)を提案する。
また、GFGNの下で3つのグラフフィルターを導入し、機能寸法から異なるレベルのコントリビューションを可能にします。
論文 参考訳(メタデータ) (2021-05-10T16:33:58Z) - WGCN: Graph Convolutional Networks with Weighted Structural Features [25.64794159605137]
グラフ畳み込みネットワーク(GCN)は、構造情報をキャプチャしてノードの表現を学習する。
WGCNという重み付き構造を有するGCNモデルを提案する。
実験の結果、WGCNは5つのベンチマークデータセットの精度において、ベースラインモデルを最大17.07%向上させることがわかった。
論文 参考訳(メタデータ) (2021-04-29T00:50:06Z) - Spatial-Spectral Clustering with Anchor Graph for Hyperspectral Image [88.60285937702304]
本稿では、HSIデータクラスタリングのための空間スペクトルクラスタリングとアンカーグラフ(SSCAG)という新しい非監視アプローチを提案する。
提案されたSSCAGは最先端のアプローチと競合する。
論文 参考訳(メタデータ) (2021-04-24T08:09:27Z) - GPS-Net: Graph Property Sensing Network for Scene Graph Generation [91.60326359082408]
シーングラフ生成(SGG)は、画像内のオブジェクトとそれらのペア関係を検出することを目的としている。
GPS-Netは、エッジ方向情報、ノード間の優先度の差、長期にわたる関係の分布という、SGGの3つの特性を網羅している。
GPS-Netは、VG、OI、VRDの3つの一般的なデータベース上での最先端のパフォーマンスを、さまざまな設定とメトリクスで大幅に向上させる。
論文 参考訳(メタデータ) (2020-03-29T07:22:31Z)
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。