論文の概要: Graph Signal Processing for Geometric Data and Beyond: Theory and Applications

• arxiv url: http://arxiv.org/abs/2008.01918v3
• Date: Sat, 4 Sep 2021 17:35:02 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-02 18:21:51.593120
• Title: Graph Signal Processing for Geometric Data and Beyond: Theory and Applications
• Title（参考訳）: 幾何学的データとそれを超えるグラフ信号処理:理論と応用
• Authors: Wei Hu, Jiahao Pang, Xianming Liu, Dong Tian, Chia-Wen Lin, Anthony Vetro
• Abstract要約: グラフ信号処理(GSP)は、不規則な領域に存在する処理信号を可能にする。 GSP法は、幾何データとグラフの接続をブリッジすることで、統一的に幾何データに対する手法である。 最近開発されたグラフニューラルネットワーク(GNN)は、GSPの観点からこれらのネットワークの動作を解釈している。
• 参考スコア（独自算出の注目度）: 55.81966207837108
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Geometric data acquired from real-world scenes, e.g., 2D depth images, 3D point clouds, and 4D dynamic point clouds, have found a wide range of applications including immersive telepresence, autonomous driving, surveillance, etc. Due to irregular sampling patterns of most geometric data, traditional image/video processing methodologies are limited, while Graph Signal Processing (GSP) -- a fast-developing field in the signal processing community -- enables processing signals that reside on irregular domains and plays a critical role in numerous applications of geometric data from low-level processing to high-level analysis. To further advance the research in this field, we provide the first timely and comprehensive overview of GSP methodologies for geometric data in a unified manner by bridging the connections between geometric data and graphs, among the various geometric data modalities, and with spectral/nodal graph filtering techniques. We also discuss the recently developed Graph Neural Networks (GNNs) and interpret the operation of these networks from the perspective of GSP. We conclude with a brief discussion of open problems and challenges.
• Abstract（参考訳）: 2D深度画像、3Dポイントクラウド、および4Dダイナミックポイントクラウドなど、現実世界のシーンから取得した幾何学的データは、没入型テレプレゼンス、自律運転、監視など、幅広いアプリケーションを発見した。 ほとんどの幾何学的データの不規則なサンプリングパターンのため、従来の画像/ビデオ処理手法は制限されているが、graph signal processing (gsp)は信号処理コミュニティで急速に発展している分野であり、不規則な領域に存在する信号を処理することができ、低レベル処理から高レベル解析に至るまでの幾何学的データの多くの応用において重要な役割を果たす。 この分野での研究をさらに進めるために、幾何学データとグラフの接続を、様々な幾何学データモダリティとスペクトル・ノードグラフフィルタリング技術に橋渡しすることで、幾何データのgsp方法論を統一的にタイムリーかつ包括的に概観する。 また、最近開発されたグラフニューラルネットワーク(GNN)についても論じ、GSPの観点からこれらのネットワークの動作を解釈する。 オープンな問題と課題に関する簡単な議論で締めくくります。

関連論文リスト

• Geometry Distributions [51.4061133324376]
  本稿では,分布として幾何学をモデル化する新しい幾何学的データ表現を提案する。 提案手法では,新しいネットワークアーキテクチャを用いた拡散モデルを用いて表面点分布の学習を行う。 本研究では,多種多様な対象に対して質的かつ定量的に表現を評価し,その有効性を実証した。
  論文  参考訳（メタデータ） (2024-11-25T04:06:48Z)
• Point Cloud Denoising With Fine-Granularity Dynamic Graph Convolutional Networks [58.050130177241186]
  ノイズの摂動は、しばしば3次元の点雲を破損させ、表面の再構成、レンダリング、さらなる処理といった下流のタスクを妨げる。 本稿では,GDGCNと呼ばれる粒度動的グラフ畳み込みネットワークについて紹介する。
  論文  参考訳（メタデータ） (2024-11-21T14:19:32Z)
• A Survey of Geometric Graph Neural Networks: Data Structures, Models and Applications [67.33002207179923]
  本稿では、幾何学的GNNに関するデータ構造、モデル、および応用について調査する。 幾何学的メッセージパッシングの観点から既存のモデルの統一的なビューを提供する。 また、方法論開発と実験評価の後の研究を促進するために、アプリケーションと関連するデータセットを要約する。
  論文  参考訳（メタデータ） (2024-03-01T12:13:04Z)
• GraphCSPN: Geometry-Aware Depth Completion via Dynamic GCNs [49.55919802779889]
  本稿では,グラフ畳み込みに基づく空間伝搬ネットワーク(GraphCSPN)を提案する。 本研究では、幾何学的表現学習において、畳み込みニューラルネットワークとグラフニューラルネットワークを相補的に活用する。 提案手法は,数段の伝搬ステップのみを使用する場合と比較して,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2022-10-19T17:56:03Z)
• A Hierarchical Graph Signal Processing Approach to Inference from Spatiotemporal Signals [14.416786768268233]
  グラフ信号処理(GSP)の新興領域を動機として,信号から推論を行う新しい手法を提案する。 本稿では,階層的特徴抽出手法の開発に活用する。 Kアグル発作検出コンテストの頭蓋内脳波(iEEG)データセットについて検討した。
  論文  参考訳（メタデータ） (2020-10-25T17:08:13Z)
• Graph signal processing for machine learning: A review and new perspectives [57.285378618394624]
  本稿では,GSPの概念とツール,例えばグラフフィルタや変換による新しい機械学習アルゴリズム開発への重要な貢献について概説する。 本稿では,データ構造とリレーショナル事前の活用,データと計算効率の向上,モデル解釈可能性の向上について論じる。 我々は,応用数学と信号処理の橋渡しとなるGSP技術と,他方の機械学習とネットワーク科学の橋渡しとなる新たな視点を提供する。
  論文  参考訳（メタデータ） (2020-07-31T13:21:33Z)
• Multi-way Graph Signal Processing on Tensors: Integrative analysis of irregular geometries [8.49932255734124]
  グラフ信号処理(GSP)は不規則な構造を基盤とするデータの研究において重要な手法である。 本稿では,GSPをマルチウェイデータに一般化した最新の信号処理フレームワークについて述べる。
  論文  参考訳（メタデータ） (2020-06-30T18:15:17Z)

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。