Fugu-MT 論文翻訳(概要): Processing of incomplete images by (graph) convolutional neural networks

論文の概要: Processing of incomplete images by (graph) convolutional neural networks

arxiv url: http://arxiv.org/abs/2010.13914v1
Date: Mon, 26 Oct 2020 21:40:03 GMT
ステータス: 処理完了
システム内更新日: 2022-10-02 18:20:14.913917
Title: Processing of incomplete images by (graph) convolutional neural networks
Title（参考訳）: グラフ)畳み込みニューラルネットワークによる不完全画像の処理
Authors: Tomasz Danel, Marek \'Smieja, {\L}ukasz Struski, Przemys{\l}aw Spurek, {\L}ukasz Maziarka
Abstract要約: 欠落した値を置き換えることなく、不完全な画像からニューラルネットワークを訓練する問題について検討する。画像はまずグラフとして表現され、欠落したピクセルは完全に無視される。グラフ画像表現は空間グラフ畳み込みネットワークを用いて処理される。
参考スコア（独自算出の注目度）: 7.778461949427663
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We investigate the problem of training neural networks from incomplete images without replacing missing values. For this purpose, we first represent an image as a graph, in which missing pixels are entirely ignored. The graph image representation is processed using a spatial graph convolutional network (SGCN) -- a type of graph convolutional networks, which is a proper generalization of classical CNNs operating on images. On one hand, our approach avoids the problem of missing data imputation while, on the other hand, there is a natural correspondence between CNNs and SGCN. Experiments confirm that our approach performs better than analogical CNNs with the imputation of missing values on typical classification and reconstruction tasks.
Abstract（参考訳）: 不足する値を置き換えることなく、不完全な画像からニューラルネットワークを訓練する問題を調べる。この目的のために、まず画像をグラフとして表現し、欠落したピクセルは完全に無視される。グラフ画像表現は、画像で動作する古典的なcnnの適切な一般化であるグラフ畳み込みネットワークの一種である空間グラフ畳み込みネットワーク(sgcn)を用いて処理される。一方,本手法では,CNNとSGCNとの間には自然な対応がある一方で,データ計算の欠如の問題を回避する。実験により,本手法は典型的分類および再構成作業における欠落値の計算により,類似CNNよりも優れていることを確認した。

関連論文リスト

CNN2GNN: How to Bridge CNN with GNN [59.42117676779735]
蒸留によりCNNとGNNを統一する新しいCNN2GNNフレームワークを提案する。 Mini-ImageNetにおける蒸留ブースターの2層GNNの性能は、ResNet152のような数十層を含むCNNよりもはるかに高い。
論文参考訳（メタデータ） (2024-04-23T08:19:08Z)
SelectionConv: Convolutional Neural Networks for Non-rectilinear Image Data [0.0]
2次元の畳み込み重みをコピーできる新しい構造化グラフ畳み込み演算子を導入する。このネットワークは、位置グラフとして表現できる任意のデータを操作することができる。セグメンテーション,スタイリゼーション,深度予測のための事前訓練済み画像ネットワークの転送結果を示す。
論文参考訳（メタデータ） (2022-07-18T23:20:50Z)
Image Keypoint Matching using Graph Neural Networks [22.33342295278866]
画像マッチング問題に対するグラフニューラルネットワークを提案する。提案手法はまず,局所化ノード埋め込みを用いてキーポイント間の初期ソフト対応を生成する。提案手法は,キーポイントアノテーションを用いた自然な画像データセット上で評価し,最先端のモデルと比較して,予測精度を犠牲にすることなく推論時間を高速化することを示す。
論文参考訳（メタデータ） (2022-05-27T23:38:44Z)
Neural Graph Matching for Pre-training Graph Neural Networks [72.32801428070749]
グラフニューラルネットワーク(GNN)は、構造データのモデリングにおいて強力な能力を示している。 GMPTと呼ばれる新しいグラフマッチングベースのGNN事前学習フレームワークを提案する。提案手法は,完全自己指導型プレトレーニングと粗粒型プレトレーニングに適用できる。
論文参考訳（メタデータ） (2022-03-03T09:53:53Z)
Keypoint Message Passing for Video-based Person Re-Identification [106.41022426556776]
ビデオベースの人物再識別(re-ID)は、異なるカメラで捉えた人々のビデオスニペットをマッチングすることを目的とした、視覚監視システムにおいて重要な技術である。既存の手法は主に畳み込みニューラルネットワーク(CNN)に基づいており、そのビルディングブロックは近隣のピクセルを一度に処理するか、あるいは3D畳み込みが時間情報のモデル化に使用される場合、人の動きによって生じるミスアライメントの問題に悩まされる。本稿では,人間指向グラフ法を用いて,通常の畳み込みの限界を克服することを提案する。具体的には,人手指のキーポイントに位置する特徴を抽出し,時空間グラフとして接続する。
論文参考訳（メタデータ） (2021-11-16T08:01:16Z)
Survey of Image Based Graph Neural Networks [10.437582458089034]
入力データの30%を削減するために、まずQuickshiftアルゴリズムを用いて画像をスーパーピクセルに変換する。スーパーピクセルはその後、領域隣接グラフを生成するために使用される。グラフは最先端のグラフ畳み込みニューラルネットワークを通過して、分類スコアを取得する。
論文参考訳（メタデータ） (2021-06-11T10:56:43Z)
Variational models for signal processing with Graph Neural Networks [3.5939555573102853]
本稿では,ニューラルネットワークを用いた点雲の信号処理について述べる。本研究では,このようなグラフニューラルネットワークの変分モデルを用いて,教師なし学習のためのグラフ上の信号を処理する方法を検討する。
論文参考訳（メタデータ） (2021-03-30T13:31:11Z)
An Introduction to Robust Graph Convolutional Networks [71.68610791161355]
本論文では, 誤りのある単一ビューあるいは複数ビューのデータに対して, 新たなロバストグラフ畳み込みニューラルネットワークを提案する。従来のグラフ畳み込みネットワークにAutoencodersを介して余分なレイヤを組み込むことで、典型的なエラーモデルを明示的に特徴付けおよび処理します。
論文参考訳（メタデータ） (2021-03-27T04:47:59Z)
Pose-GNN : Camera Pose Estimation System Using Graph Neural Networks [12.12580095956898]
グラフニューラルネットワーク(GNN)を用いた新しい画像ベースのローカリゼーションシステムを提案する。 resnet50 convolutional neural network (cnn)アーキテクチャは、各画像の重要な特徴を抽出するために使用される。 GNNの使用は屋内および屋外の環境のための高められた性能をもたらすことを示します。
論文参考訳（メタデータ） (2021-03-17T04:40:02Z)
Overcoming Catastrophic Forgetting in Graph Neural Networks [50.900153089330175]
破滅的な忘れは、ニューラルネットワークが新しいタスクを学ぶ前に学んだ知識を「忘れる」傾向を指します。本稿では,この問題を克服し,グラフニューラルネットワーク(GNN)における継続学習を強化するための新しいスキームを提案する。私たちのアプローチの中心には、トポロジ認識重量保存(TWP)と呼ばれる汎用モジュールがあります。
論文参考訳（メタデータ） (2020-12-10T22:30:25Z)
Spatio-Temporal Inception Graph Convolutional Networks for Skeleton-Based Action Recognition [126.51241919472356]
我々はスケルトンに基づく行動認識のためのシンプルで高度にモジュール化されたグラフ畳み込みネットワークアーキテクチャを設計する。ネットワークは,空間的および時間的経路から多粒度情報を集約するビルディングブロックを繰り返すことで構築される。
論文参考訳（メタデータ） (2020-11-26T14:43:04Z)

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。