論文の概要: Affinity Fusion Graph-based Framework for Natural Image Segmentation
- arxiv url: http://arxiv.org/abs/2006.13542v3
- Date: Fri, 15 Jan 2021 03:33:23 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-17 13:01:04.853513
- Title: Affinity Fusion Graph-based Framework for Natural Image Segmentation
- Title(参考訳): アフィニティ融合グラフを用いた自然画像分割のためのフレームワーク
- Authors: Yang Zhang, Moyun Liu, Jingwu He, Fei Pan, and Yanwen Guo
- Abstract要約: このフレームワークは、マルチスケールスーパーピクセルの親和性ノードと呼ばれる新しい定義に従って、隣接グラフとカーネルスペクトルクラスタリングベースのグラフ(KSCグラフ)を組み合わせる。
KSCグラフは、これらの親和性ノード間の非線形関係を探索するために、新しいカーネルスペクトルクラスタリングによって構築される。
各スケールでの隣接グラフを構築し、アフィニティノードで提案されたKSCグラフを更新するためにさらに使用される。
- 参考スコア(独自算出の注目度): 20.674669923674834
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper proposes an affinity fusion graph framework to effectively connect
different graphs with highly discriminating power and nonlinearity for natural
image segmentation. The proposed framework combines adjacency-graphs and kernel
spectral clustering based graphs (KSC-graphs) according to a new definition
named affinity nodes of multi-scale superpixels. These affinity nodes are
selected based on a better affiliation of superpixels, namely
subspace-preserving representation which is generated by sparse subspace
clustering based on subspace pursuit. Then a KSC-graph is built via a novel
kernel spectral clustering to explore the nonlinear relationships among these
affinity nodes. Moreover, an adjacency-graph at each scale is constructed,
which is further used to update the proposed KSC-graph at affinity nodes. The
fusion graph is built across different scales, and it is partitioned to obtain
final segmentation result. Experimental results on the Berkeley segmentation
dataset and Microsoft Research Cambridge dataset show the superiority of our
framework in comparison with the state-of-the-art methods. The code is
available at https://github.com/Yangzhangcst/AF-graph.
- Abstract(参考訳): 本稿では,自然画像分割のための高判別能力と非線形性を両立させるアフィニティ融合グラフフレームワークを提案する。
提案フレームワークは,マルチスケールスーパーピクセルの親和性ノードと呼ばれる新しい定義に従って,隣接グラフとカーネルスペクトルクラスタリングベースグラフ(KSCグラフ)を組み合わせる。
これらの親和性ノードは、サブスペース追跡に基づくスパース部分空間クラスタリングによって生成されるサブスペース保存表現であるスーパーピクセルのより良い親和性に基づいて選択される。
その後、新しいカーネルスペクトルクラスタリングによってKSCグラフを構築し、これらの親和性ノード間の非線形関係を探索する。
さらに、各スケールでの隣接グラフを構築し、提案したKSCグラフを親和性ノードで更新する。
融合グラフは異なるスケールで構築され、最終的なセグメンテーション結果を得るために分割される。
バークレーのセグメンテーションデータセットとMicrosoft Research Cambridgeデータセットの実験結果は、最先端の手法と比較して、我々のフレームワークの優位性を示している。
コードはhttps://github.com/yangzhangcst/af-graphで入手できる。
関連論文リスト
- Clustering Edges in Directed Graphs [0.40611352512781856]
本研究では,エッジクラスタリングのためのフレームワークを開発し,探索データ解析のための新しい手法を提案する。
機能親和性を共有するエッジは同じグループに割り当てられ、影響サブグラフクラスタを形成する。
科学的研究におけるエッジクラスタリングの応用の可能性を示す様々な例を示す。
論文 参考訳(メタデータ) (2022-02-23T16:24:55Z) - SHGNN: Structure-Aware Heterogeneous Graph Neural Network [77.78459918119536]
本稿では、上記の制約に対処する構造対応不均一グラフニューラルネットワーク(SHGNN)を提案する。
まず,メタパス内の中間ノードの局所構造情報を取得するために,特徴伝搬モジュールを利用する。
次に、ツリーアテンションアグリゲータを使用して、グラフ構造情報をメタパス上のアグリゲーションモジュールに組み込む。
最後に、メタパスアグリゲータを利用して、異なるメタパスから集約された情報を融合する。
論文 参考訳(メタデータ) (2021-12-12T14:18:18Z) - Adaptive Fusion Affinity Graph with Noise-free Online Low-rank
Representation for Natural Image Segmentation [3.7189024338041836]
本稿では,自然画像分割のための適応アフィニティ融合グラフ(AFAグラフ)を提案する。
BSD300、BSD500、MSRC、PASCAL VOCの実験結果は、最先端のアプローチと比較してAFAグラフの有効性を示している。
論文 参考訳(メタデータ) (2021-10-22T10:15:27Z) - Spectral-Spatial Global Graph Reasoning for Hyperspectral Image
Classification [50.899576891296235]
畳み込みニューラルネットワークは、ハイパースペクトル画像分類に広く応用されている。
近年の手法は空間トポロジのグラフ畳み込みによってこの問題に対処しようとしている。
論文 参考訳(メタデータ) (2021-06-26T06:24:51Z) - Seeing All From a Few: Nodes Selection Using Graph Pooling for Graph
Clustering [37.68977275752782]
ノイズの多いエッジとグラフのノードは、クラスタリング結果を悪化させる可能性がある。
ノイズの多いノードやエッジに対するグラフクラスタリングの堅牢性を改善するために,新しいデュアルグラフ埋め込みネットワーク(DGEN)を提案する。
3つのベンチマークグラフデータセットの実験は、いくつかの最先端アルゴリズムと比較して優位性を示す。
論文 参考訳(メタデータ) (2021-04-30T06:51:51Z) - Factorizable Graph Convolutional Networks [90.59836684458905]
本稿では,グラフに符号化された相互に絡み合った関係を明示的に解消する新しいグラフ畳み込みネットワーク(GCN)を提案する。
FactorGCNは単純なグラフを入力として取り、それをいくつかの分解グラフに分解する。
提案したFacterGCNは,合成および実世界のデータセットに対して質的かつ定量的に評価する。
論文 参考訳(メタデータ) (2020-10-12T03:01:40Z) - 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) - 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) - Generalized Spectral Clustering via Gromov-Wasserstein Learning [10.558951653323286]
スペクトルクラスタリングとGromov-Wasserstein Learning(GWL)の橋渡しを行う。
GWLはグラフ分割に対する近年の最適輸送に基づくアプローチである。
熱カーネルを用いた2ノードテンプレートグラフを無限の時間制限で比較した場合、結果として得られる分割は、Fiedlerベクトルが生成する分割と一致することを示す。
論文 参考訳(メタデータ) (2020-06-07T14:29:32Z) - Graph Neural Networks with Composite Kernels [60.81504431653264]
カーネル重み付けの観点からノード集約を再解釈する。
本稿では,アグリゲーション方式における特徴類似性を考慮したフレームワークを提案する。
特徴空間における特徴類似性をエンコードするために,元の隣り合うカーネルと学習可能なカーネルの合成として特徴集約を提案する。
論文 参考訳(メタデータ) (2020-05-16T04:44:29Z)
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。