論文の概要: Class-wise Dynamic Graph Convolution for Semantic Segmentation

• arxiv url: http://arxiv.org/abs/2007.09690v1
• Date: Sun, 19 Jul 2020 15:26:50 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-09 00:24:37.350753
• Title: Class-wise Dynamic Graph Convolution for Semantic Segmentation
• Title（参考訳）: 意味セグメンテーションのためのクラス別動的グラフ畳み込み
• Authors: Hanzhe Hu, Deyi Ji, Weihao Gan, Shuai Bai, Wei Wu, Junjie Yan
• Abstract要約: 本稿では,情報を適応的に伝達するクラスワイド動的グラフ畳み込み (CDGC) モジュールを提案する。 また、CDGCモジュールと基本セグメンテーションネットワークを含む2つの主要部分からなるCDGCNet(Class-wise Dynamic Graph Convolution Network)についても紹介する。 我々は,Cityscapes,PASCAL VOC 2012,COCO Stuffの3つの一般的なセマンティックセマンティックセマンティクスベンチマークについて広範な実験を行った。
• 参考スコア（独自算出の注目度）: 63.08061813253613
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent works have made great progress in semantic segmentation by exploiting contextual information in a local or global manner with dilated convolutions, pyramid pooling or self-attention mechanism. In order to avoid potential misleading contextual information aggregation in previous works, we propose a class-wise dynamic graph convolution (CDGC) module to adaptively propagate information. The graph reasoning is performed among pixels in the same class. Based on the proposed CDGC module, we further introduce the Class-wise Dynamic Graph Convolution Network(CDGCNet), which consists of two main parts including the CDGC module and a basic segmentation network, forming a coarse-to-fine paradigm. Specifically, the CDGC module takes the coarse segmentation result as class mask to extract node features for graph construction and performs dynamic graph convolutions on the constructed graph to learn the feature aggregation and weight allocation. Then the refined feature and the original feature are fused to get the final prediction. We conduct extensive experiments on three popular semantic segmentation benchmarks including Cityscapes, PASCAL VOC 2012 and COCO Stuff, and achieve state-of-the-art performance on all three benchmarks.
• Abstract（参考訳）: 最近の研究は、拡張畳み込み、ピラミッドプーリング、自己認識機構を用いて、文脈情報を局所的またはグローバル的に活用することで意味的セグメンテーションに大きな進歩をもたらした。 先行研究における文脈情報集約の潜在的な誤解を避けるために,情報を適応的に伝播するクラスワイズ動的グラフ畳み込み(cdgc)モジュールを提案する。 グラフ推論は、同じクラス内の画素間で実行される。 提案したCDGCモジュールをベースとして,CDGCモジュールと基本セグメンテーションネットワークを含む2つの主要部分で構成されるCDGCNet(Class-wise Dynamic Graph Convolution Network)を導入し,粗大なパラダイムを形成する。 具体的には、CDGCモジュールは、粗いセグメンテーション結果をクラスマスクとして、グラフ構築のためのノード特徴を抽出し、構築されたグラフ上の動的グラフ畳み込みを行い、特徴集約と重み付けを学習する。 そして、精巧な特徴と元の特徴を融合させて最終的な予測を得る。 我々はCityscapes、PASCAL VOC 2012、COCO Stuffを含む3つの人気のあるセマンティックセマンティックセマンティクスベンチマークについて広範な実験を行い、3つのベンチマークで最先端のパフォーマンスを達成する。

関連論文リスト

• GC-Bench: An Open and Unified Benchmark for Graph Condensation [54.70801435138878]
  我々は,グラフ凝縮の性能を解析するための総合的なグラフ凝縮ベンチマーク (GC-Bench) を開発した。 GC-Benchは、グラフ凝縮の特徴を以下の次元で体系的に研究している。 我々は,再現性のある研究を容易にするために,異なるGC手法を訓練し,評価するための簡易ライブラリを開発した。
  論文  参考訳（メタデータ） (2024-06-30T07:47:34Z)
• Generative and Contrastive Paradigms Are Complementary for Graph Self-Supervised Learning [56.45977379288308]
  Masked Autoencoder (MAE)は、マスク付きグラフエッジやノード機能の再構築を学ぶ。 Contrastive Learning (CL)は、同じグラフの拡張ビュー間の類似性を最大化する。 我々は,MAE と CL を統一するグラフコントラッシブマスク付きオートエンコーダ (GCMAE) フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-10-24T05:06:06Z)
• From Cluster Assumption to Graph Convolution: Graph-based Semi-Supervised Learning Revisited [51.24526202984846]
  グラフベースの半教師付き学習(GSSL)は、長い間ホットな研究トピックだった。 グラフ畳み込みネットワーク (GCN) は, 有望な性能を示す主要な技術となっている。
  論文  参考訳（メタデータ） (2023-09-24T10:10:21Z)
• Local Structure-aware Graph Contrastive Representation Learning [12.554113138406688]
  複数のビューからノードの構造情報をモデル化するための局所構造対応グラフ比較表現学習法(LS-GCL)を提案する。 ローカルビューでは、各ターゲットノードのセマンティックサブグラフが共有GNNエンコーダに入力され、サブグラフレベルに埋め込まれたターゲットノードを取得する。 グローバルな視点では、元のグラフはノードの必要不可欠な意味情報を保存しているので、共有GNNエンコーダを利用して、グローバルなグラフレベルでターゲットノードの埋め込みを学習する。
  論文  参考訳（メタデータ） (2023-08-07T03:23:46Z)
• Dual Contrastive Attributed Graph Clustering Network [6.796682703663566]
  我々はDCAGC(Dual Contrastive Attributed Graph Clustering Network)と呼ばれる汎用フレームワークを提案する。 DCAGCでは、近隣のコントラストモジュールを利用することで、近隣ノードの類似性を最大化し、ノード表現の品質を向上させる。 DCAGCのすべてのモジュールは、統一されたフレームワークでトレーニングされ、最適化されているため、学習されたノード表現にはクラスタリング指向のメッセージが含まれている。
  論文  参考訳（メタデータ） (2022-06-16T03:17:01Z)
• CGC: Contrastive Graph Clustering for Community Detection and Tracking [33.48636823444052]
  グラフクラスタリングのための新しいエンドツーエンドフレームワークであるCGCを開発した。 CGCは、対照的なグラフ学習フレームワークでノードの埋め込みとクラスタ割り当てを学習する。 時間進化データに対してCGCを拡張し、時間的グラフクラスタリングを漸進的な学習方式で行う。
  論文  参考訳（メタデータ） (2022-04-05T17:34:47Z)
• Heuristic Semi-Supervised Learning for Graph Generation Inspired by Electoral College [80.67842220664231]
  本稿では,新たなノードやエッジを自動的に拡張して,高密度サブグラフ内のラベル類似性を向上する,新しい前処理手法であるElectoral College(ELCO)を提案する。 テストされたすべての設定において、我々の手法はベースモデルの平均スコアを4.7ポイントの広いマージンで引き上げるとともに、常に最先端のモデルよりも優れています。
  論文  参考訳（メタデータ） (2020-06-10T14:48:48Z)
• Adaptive Graph Convolutional Network with Attention Graph Clustering for Co-saliency Detection [35.23956785670788]
  注目グラフクラスタリング(GCAGC)を用いた新しい適応グラフ畳み込みネットワークを提案する。 注意グラフクラスタリングアルゴリズムを開発し、教師なしの方法で全前景オブジェクトから共通オブジェクトを識別する。 提案手法を3つのコサリエンシ検出ベンチマークデータセット上で評価した。
  論文  参考訳（メタデータ） (2020-03-13T09:35:59Z)
• Graph Convolution Machine for Context-aware Recommender System [59.50474932860843]
  グラフ畳み込みの利点を文脈認識推薦システム(CARS)に拡張する。 我々は、エンコーダ、グラフ畳み込み層、デコーダの3つのコンポーネントからなるエンドツーエンドフレームワークである textitGraph Convolution Machine (GCM) を提案する。 我々はYelpとAmazonの3つの実世界のデータセットで実験を行い、GCMの有効性とCARSのためのグラフ畳み込みの利点を検証する。
  論文  参考訳（メタデータ） (2020-01-30T15:32:08Z)

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。