論文の概要: SIA-GCN: A Spatial Information Aware Graph Neural Network with 2D
Convolutions for Hand Pose Estimation
- arxiv url: http://arxiv.org/abs/2009.12473v1
- Date: Fri, 25 Sep 2020 23:23:09 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-14 23:06:04.910311
- Title: SIA-GCN: A Spatial Information Aware Graph Neural Network with 2D
Convolutions for Hand Pose Estimation
- Title（参考訳）: sia-gcn : 手のポーズ推定のための2次元畳み込みを持つ空間情報認識グラフニューラルネットワーク
- Authors: Deying Kong, Haoyu Ma, Xiaohui Xie
- Abstract要約: グラフニューラルネットワーク(GNN)は、正規構造上のアプリケーションから任意のグラフ上のアプリケーションまで、ニューラルネットワークを一般化する。
本稿では,各ノードにおける特徴を1次元ベクトルではなく2次元空間信頼マップで表現し,b)隣接するノードからの情報を統合する効率的な操作を提案する。
提案したSIA-GCNは,各ノードの2次元マップから空間情報を効率的に抽出し,グラフ畳み込みにより伝播することができる。
- 参考スコア（独自算出の注目度）: 22.516340304722654
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Graph Neural Networks (GNNs) generalize neural networks from applications on
regular structures to applications on arbitrary graphs, and have shown success
in many application domains such as computer vision, social networks and
chemistry. In this paper, we extend GNNs along two directions: a) allowing
features at each node to be represented by 2D spatial confidence maps instead
of 1D vectors; and b) proposing an efficient operation to integrate information
from neighboring nodes through 2D convolutions with different learnable kernels
at each edge. The proposed SIA-GCN can efficiently extract spatial information
from 2D maps at each node and propagate them through graph convolution. By
associating each edge with a designated convolution kernel, the SIA-GCN could
capture different spatial relationships for different pairs of neighboring
nodes. We demonstrate the utility of SIA-GCN on the task of estimating hand
keypoints from single-frame images, where the nodes represent the 2D coordinate
heatmaps of keypoints and the edges denote the kinetic relationships between
keypoints. Experiments on multiple datasets show that SIA-GCN provides a
flexible and yet powerful framework to account for structural constraints
between keypoints, and can achieve state-of-the-art performance on the task of
hand pose estimation.
- Abstract（参考訳）: グラフニューラルネットワーク(GNN)は、通常の構造上のアプリケーションから任意のグラフ上のアプリケーションまでニューラルネットワークを一般化し、コンピュータビジョン、ソーシャルネットワーク、化学などの多くのアプリケーション領域で成功している。
本稿では,GNNを2方向に拡張する。
a) 各ノードの特徴を1次元ベクトルの代わりに2次元空間信頼マップで表すことができる。
b) 近隣ノードからの情報を各エッジに異なる学習可能なカーネルを持つ2次元畳み込みを通じて統合する効率的な操作を提案すること。
提案したSIA-GCNは,各ノードの2次元マップから空間情報を効率的に抽出し,グラフ畳み込みにより伝播することができる。
それぞれのエッジを指定された畳み込みカーネルに関連付けることで、SIA-GCNは隣接するノードのペアごとに異なる空間関係をキャプチャできる。
SIA-GCNは,キーポイントの2次元座標熱マップをノードが表現し,キーポイント間の関係をエッジが表現する単一フレーム画像から手指キーポイントを推定する作業において有効であることを示す。
複数のデータセットの実験によると、SIA-GCNはキーポイント間の構造的制約を考慮し、手振り推定のタスクで最先端のパフォーマンスを達成する、柔軟で強力なフレームワークを提供する。
関連論文リスト
- 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) - Two-Stream Graph Convolutional Network for Intra-oral Scanner Image
Segmentation [133.02190910009384]
本稿では,2ストリームグラフ畳み込みネットワーク(TSGCN)を提案する。
TSGCNは3次元歯(表面)セグメンテーションにおいて最先端の方法よりも優れています。
論文 参考訳（メタデータ） (2022-04-19T10:41:09Z) - A Variational Edge Partition Model for Supervised Graph Representation
Learning [51.30365677476971]
本稿では,重なり合うノード群間の相互作用を集約することで,観測されたエッジがどのように生成されるかをモデル化するグラフ生成プロセスを提案する。
それぞれのエッジを複数のコミュニティ固有の重み付きエッジの和に分割し、コミュニティ固有のGNNを定義する。
エッジを異なるコミュニティに分割するGNNベースの推論ネットワーク,これらのコミュニティ固有のGNN,およびコミュニティ固有のGNNを最終分類タスクに組み合わせたGNNベースの予測器を共同で学習するために,変分推論フレームワークを提案する。
論文 参考訳（メタデータ） (2022-02-07T14:37:50Z) - Asymmetric Graph Representation Learning [13.195785825237621]
情報フローが非対称であり、有向グラフにつながる膨大なアプリケーション。
有向エッジは、情報はスタートノードからエンドノードまでしか転送できないが、後方には転送できないことを示す。
このような一方的な情報伝達を取り入れたグラフ解析のための,シンプルかつ極めて効果的なフレームワークを提案する。
論文 参考訳（メタデータ） (2021-10-14T15:03:18Z) - RSI-Net: Two-Stream Deep Neural Network Integrating GCN and Atrous CNN
for Semantic Segmentation of High-resolution Remote Sensing Images [3.468780866037609]
本稿では,リモートセンシング画像(RSI-Net)のセマンティックセグメンテーションのための2ストリームディープニューラルネットワークを提案する。
実験はVayhingen、Potsdam、Gaofen RSIデータセットで実施されている。
その結果,6つの最先端RSIセマンティックセグメンテーション法と比較して,総合的精度,F1スコア,カッパ係数において,RSI-Netの優れた性能を示した。
論文 参考訳（メタデータ） (2021-09-19T15:57:20Z) - 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) - Node Similarity Preserving Graph Convolutional Networks [51.520749924844054]
グラフニューラルネットワーク(GNN)は、ノード近傍の情報を集約し変換することで、グラフ構造とノードの特徴を探索する。
グラフ構造を利用してノード類似性を効果的かつ効率的に保存できるSimP-GCNを提案する。
本研究は,SimP-GCNが3つの分類グラフと4つの非補助グラフを含む7つのベンチマークデータセットに対して有効であることを示す。
論文 参考訳（メタデータ） (2020-11-19T04:18:01Z) - Binarized Graph Neural Network [65.20589262811677]
我々は二項化グラフニューラルネットワークを開発し、二項化ネットワークパラメータを用いてノードのバイナリ表現を学習する。
提案手法は既存のGNNベースの埋め込み手法にシームレスに統合できる。
実験により、提案された二項化グラフニューラルネットワーク、すなわちBGNは、時間と空間の両方の観点から、桁違いに効率的であることが示されている。
論文 参考訳（メタデータ） (2020-04-19T09:43:14Z) - An Uncoupled Training Architecture for Large Graph Learning [20.784230322205232]
グラフデータをグリッドライクなデータに埋め込むための、柔軟なアンカップリングトレーニングフレームワークであるNode2Gridsを紹介します。
各ノードの影響を次々にランク付けすることで、Node2Gridsは最も影響力のある1階と、中央ノードの融合情報を持つ2階の隣人を選択する。
下流タスクの効率をさらに向上するために、単純なCNNベースのニューラルネットワークを使用して、マッピングされたグリッドのようなデータから重要な情報をキャプチャする。
論文 参考訳（メタデータ） (2020-03-21T11:49:16Z) - Adaptive Propagation Graph Convolutional Network [17.41698818541144]
グラフ畳み込みネットワーク(GCN)は、グラフデータに対して推論を行うニューラルネットワークモデルの一群である。
我々は,各ノードにおける通信ステップ数を独立に適応させることで,最先端の結果が得られることを示す。
提案した適応伝搬GCN (AP-GCN) は, 最適モデルよりも優れた, あるいは類似した結果が得られることを示す。
論文 参考訳（メタデータ） (2020-02-24T15:31:16Z) - Bilinear Graph Neural Network with Neighbor Interactions [106.80781016591577]
グラフニューラルネットワーク(GNN)は,グラフデータ上で表現を学習し,予測を行う強力なモデルである。
本稿では,グラフ畳み込み演算子を提案し,隣接するノードの表現の対の相互作用で重み付け和を増大させる。
このフレームワークをBGNN(Bilinear Graph Neural Network)と呼び、隣ノード間の双方向相互作用によるGNN表現能力を向上させる。
論文 参考訳（メタデータ） (2020-02-10T06:43:38Z)
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。