論文の概要: Sat2Graph: Road Graph Extraction through Graph-Tensor Encoding

• arxiv url: http://arxiv.org/abs/2007.09547v1
• Date: Sun, 19 Jul 2020 01:04:19 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-09 00:15:53.908321
• Title: Sat2Graph: Road Graph Extraction through Graph-Tensor Encoding
• Title（参考訳）: Sat2Graph: グラフテンソルエンコーディングによる道路グラフ抽出
• Authors: Songtao He, Favyen Bastani, Satvat Jagwani, Mohammad Alizadeh, Hari Balakrishnan, Sanjay Chawla, Mohamed M. Elshrif, Samuel Madden, Amin Sadeghi
• Abstract要約: 本稿では,従来の2つのカテゴリの利点を統一的なフレームワークに組み合わせた新たな手法であるSat2Graphを提案する。 Sat2Graphのキーとなるアイデアは、道路グラフをテンソル表現にエンコードする新しいエンコーディングスキーム、グラフテンソルエンコーディング(GTE)である。 Sat2Graphは、TOPOとAPLSという2つの広く使われているメトリクスで、従来の手法を上回ります。
• 参考スコア（独自算出の注目度）: 25.55895733077606
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Inferring road graphs from satellite imagery is a challenging computer vision task. Prior solutions fall into two categories: (1) pixel-wise segmentation-based approaches, which predict whether each pixel is on a road, and (2) graph-based approaches, which predict the road graph iteratively. We find that these two approaches have complementary strengths while suffering from their own inherent limitations. In this paper, we propose a new method, Sat2Graph, which combines the advantages of the two prior categories into a unified framework. The key idea in Sat2Graph is a novel encoding scheme, graph-tensor encoding (GTE), which encodes the road graph into a tensor representation. GTE makes it possible to train a simple, non-recurrent, supervised model to predict a rich set of features that capture the graph structure directly from an image. We evaluate Sat2Graph using two large datasets. We find that Sat2Graph surpasses prior methods on two widely used metrics, TOPO and APLS. Furthermore, whereas prior work only infers planar road graphs, our approach is capable of inferring stacked roads (e.g., overpasses), and does so robustly.
• Abstract（参考訳）: 衛星画像から道路グラフを推測することは、コンピュータビジョンの課題である。 従来の解法は,(1)各画素が道路上にあるかどうかを予測する画素ワイドセグメンテーションに基づくアプローチ,(2)道路グラフを反復的に予測するグラフベースのアプローチの2つのカテゴリに分類される。 これら2つのアプローチは,独自の制限に苦しむ一方で,補完的な強みを持っていることが分かりました。 本稿では,従来の2つのカテゴリの利点を統一的なフレームワークに組み合わせた新たな手法であるSat2Graphを提案する。 sat2graph の重要な概念は、道路グラフをテンソル表現に符号化する新しい符号化スキーム graph-tensor encoding (gte) である。 GTEは、単純な非リカレントな教師付きモデルをトレーニングして、画像から直接グラフ構造をキャプチャする豊富な機能セットを予測することができる。 2つの大きなデータセットを用いてSat2Graphを評価する。 Sat2Graphは、TOPOとAPLSという2つの広く使われているメトリクスで、従来の手法を上回ります。 さらに,先行研究が平面道路グラフを推測するだけであるのに対して,本手法は積み重ねられた道路(過渡路など)を推定し,堅牢に行うことができる。

関連論文リスト

• InstructG2I: Synthesizing Images from Multimodal Attributed Graphs [50.852150521561676]
  InstructG2Iと呼ばれるグラフ文脈条件拡散モデルを提案する。 InstructG2Iはまずグラフ構造とマルチモーダル情報を利用して情報的隣人サンプリングを行う。 Graph-QFormerエンコーダは、グラフノードをグラフプロンプトの補助セットに適応的に符号化し、デノナイジングプロセスを導く。
  論文  参考訳（メタデータ） (2024-10-09T17:56:15Z)
• LaneGraph2Seq: Lane Topology Extraction with Language Model via Vertex-Edge Encoding and Connectivity Enhancement [34.017743757153866]
  複雑な道路構造は、中心線曲線やDAG(Directed Acyclic Graph)を形成する接続を含むレーングラフを用いて描かれることが多い。 本稿では,レーングラフ抽出の新しいアプローチであるLaneGraph2Seqを紹介する。 本手法は,レーングラフ抽出における最先端技術と比較して優れた性能を示す。
  論文  参考訳（メタデータ） (2024-01-31T05:44:01Z)
• Semi-Supervised Hierarchical Graph Classification [54.25165160435073]
  ノードがグラフのインスタンスである階層グラフにおけるノード分類問題について検討する。 本稿では階層グラフ相互情報(HGMI)を提案し,理論的保証をもってHGMIを計算する方法を提案する。 本稿では,この階層グラフモデリングとSEAL-CI法がテキストおよびソーシャルネットワークデータに与える影響を実証する。
  論文  参考訳（メタデータ） (2022-06-11T04:05:29Z)
• Schema-Guided Event Graph Completion [103.32326979796596]
  我々は、イベントグラフの欠落するイベントノードを予測することを目的として、イベントグラフ補完という新しいタスクに取り組む。 既存の予測やグラフ補完手法は、通常、1つの大きなグラフのために設計されるため、イベントグラフを扱うのが難しい。
  論文  参考訳（メタデータ） (2022-06-06T21:51:10Z)
• Road Extraction from Overhead Images with Graph Neural Networks [18.649284163019516]
  本稿では,最終道路グラフを1パスで直接推測する手法を提案する。 鍵となるアイデアは、関心点の特定を担当する完全な畳み込みネットワークと、これらのポイント間のリンクを予測するグラフニューラルネットワークを組み合わせることである。 我々は,一般的なRoadTracerデータセット上の既存の作業に対して評価を行い,競合する結果を得た。
  論文  参考訳（メタデータ） (2021-12-09T21:10:27Z)
• Graphon based Clustering and Testing of Networks: Algorithms and Theory [11.3700474413248]
  ネットワークに価値のあるデータは、幅広いアプリケーションで遭遇し、学習の課題を提起する。 本稿では,2つのクラスタリングアルゴリズムについて述べる。 さらに、グラフ2サンプルテスト問題に対する提案した距離の適用性について検討する。
  論文  参考訳（メタデータ） (2021-10-06T13:14:44Z)
• Edge but not Least: Cross-View Graph Pooling [76.71497833616024]
  本稿では,重要なグラフ構造情報を活用するために,クロスビューグラフプーリング(Co-Pooling)手法を提案する。 クロスビュー相互作用、エッジビュープーリング、ノードビュープーリングにより、相互にシームレスに強化され、より情報的なグラフレベルの表現が学習される。
  論文  参考訳（メタデータ） (2021-09-24T08:01:23Z)
• Second-Order Pooling for Graph Neural Networks [62.13156203025818]
  グラフプーリングとして2次プールを提案するが、これは上記の課題を自然に解決する。 グラフニューラルネットワークによる2次プールの直接利用は、実用的な問題を引き起こすことを示す。 本稿では,2次プールに基づく2つの新しいグローバルグラフプーリング手法,すなわちバイリニアマッピングと2次プールを提案する。
  論文  参考訳（メタデータ） (2020-07-20T20:52:36Z)
• Unsupervised Graph Representation by Periphery and Hierarchical Information Maximization [18.7475578342125]
  グラフニューラルネットワークの発明により、ベクトル空間におけるノードとグラフ全体の表現の最先端性が向上した。 グラフ表現全体について、既存のグラフニューラルネットワークの大部分は、教師付き方法でグラフ分類損失に基づいてトレーニングされている。 本稿では,グラフ全体のベクトル表現を生成するための教師なしグラフニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2020-06-08T15:50:40Z)
• Wasserstein-based Graph Alignment [56.84964475441094]
  我々は,より小さいグラフのノードと大きなグラフのノードをマッチングすることを目的とした,1対多のグラフアライメント問題に対する新しい定式化を行った。 提案手法は,各タスクに対する最先端のアルゴリズムに対して,大幅な改善をもたらすことを示す。
  論文  参考訳（メタデータ） (2020-03-12T22:31:59Z)

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。