論文の概要: Dark Reciprocal-Rank: Boosting Graph-Convolutional Self-Localization
Network via Teacher-to-student Knowledge Transfer
- arxiv url: http://arxiv.org/abs/2011.00402v1
- Date: Sun, 1 Nov 2020 02:08:43 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-30 23:48:20.059147
- Title: Dark Reciprocal-Rank: Boosting Graph-Convolutional Self-Localization
Network via Teacher-to-student Knowledge Transfer
- Title(参考訳): Dark Reciprocal-Rank:教師から学生への知識伝達によるグラフ畳み込み自己ローカライゼーションネットワークの強化
- Authors: Koji Takeda, Kanji Tanaka
- Abstract要約: グラフ分類問題として自己局在化を定式化し、グラフ畳み込みニューラルネットワーク(GCN)をグラフ分類エンジンとして利用しようとする。
直感的なアプローチは、最先端の自己ローカライゼーションシステムで採用されている視覚的特徴記述子を直接グラフノード機能として使用することである。
実験により,提案したグラフ畳み込み自己ローカライゼーションネットワークは,最先端の自己ローカライゼーションシステムを大幅に上回る可能性が示唆された。
- 参考スコア(独自算出の注目度): 6.85316573653194
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In visual robot self-localization, graph-based scene representation and
matching have recently attracted research interest as robust and discriminative
methods for selflocalization. Although effective, their computational and
storage costs do not scale well to large-size environments. To alleviate this
problem, we formulate self-localization as a graph classification problem and
attempt to use the graph convolutional neural network (GCN) as a graph
classification engine. A straightforward approach is to use visual feature
descriptors that are employed by state-of-the-art self-localization systems,
directly as graph node features. However, their superior performance in the
original self-localization system may not necessarily be replicated in
GCN-based self-localization. To address this issue, we introduce a novel
teacher-to-student knowledge-transfer scheme based on rank matching, in which
the reciprocal-rank vector output by an off-the-shelf state-of-the-art teacher
self-localization model is used as the dark knowledge to transfer. Experiments
indicate that the proposed graph-convolutional self-localization network can
significantly outperform state-of-the-art self-localization systems, as well as
the teacher classifier.
- Abstract(参考訳): 近年,視覚ロボットの自己ローカライゼーションにおいて,グラフに基づくシーン表現とマッチングが,自己ローカライゼーションのための堅牢で差別的な手法として研究の関心を集めている。
効果はあるものの、計算とストレージのコストは大規模環境には及ばない。
この問題を解決するため,グラフ分類問題として自己局在化を定式化し,グラフ畳み込みニューラルネットワーク(GCN)をグラフ分類エンジンとして利用する。
直感的なアプローチは、最先端の自己ローカライゼーションシステムで採用されている視覚的特徴記述子を直接グラフノード機能として使用することである。
しかし、元の自己局在化システムにおけるそれらの優れた性能は、必ずしもGCNベースの自己局在化において複製されるとは限らない。
そこで,本研究では,教師の自己ローカライゼーションモデルによる相互ランクベクトルの出力をダーク・ナレッジとして,ランクマッチングに基づく新しい教師から学生への知識伝達方式を提案する。
実験により,提案するグラフ畳み込み型自己局所化ネットワークは,教師分類器と同様に最先端の自己局所化システムを大きく上回ることが示された。
関連論文リスト
- GALA: Graph Diffusion-based Alignment with Jigsaw for Source-free Domain Adaptation [13.317620250521124]
ソースコードのないドメイン適応は、現実世界で多くのアプリケーションを含むため、重要な機械学習トピックである。
最近のグラフニューラルネットワーク(GNN)アプローチは、ドメインシフトとラベルの不足により、パフォーマンスが著しく低下する可能性がある。
本稿では, ソースフリーなグラフドメイン適応に適した Jigsaw (GALA) を用いたグラフ拡散に基づくアライメント法を提案する。
論文 参考訳(メタデータ) (2024-10-22T01:32:46Z) - Federated Graph Semantic and Structural Learning [54.97668931176513]
本稿では,ノードレベルのセマンティクスとグラフレベルの構造の両方によって局所的なクライアントの歪みがもたらされることを示す。
構造的グラフニューラルネットワークは、固有の隣接関係のため、隣人に類似性を持っていると仮定する。
我々は、隣接関係を類似度分布に変換し、グローバルモデルを利用して関係知識を局所モデルに蒸留する。
論文 参考訳(メタデータ) (2024-06-27T07:08:28Z) - GNN-LoFI: a Novel Graph Neural Network through Localized Feature-based
Histogram Intersection [51.608147732998994]
グラフニューラルネットワークは、グラフベースの機械学習の選択フレームワークになりつつある。
本稿では,古典的メッセージパッシングに代えて,ノード特徴の局所分布を解析するグラフニューラルネットワークアーキテクチャを提案する。
論文 参考訳(メタデータ) (2024-01-17T13:04:23Z) - Transitivity-Preserving Graph Representation Learning for Bridging Local
Connectivity and Role-based Similarity [2.5252594834159643]
局所的およびグローバルな構造情報を固定長ベクトル表現に統合するUnified Graph Transformer Networks (UGT)を提案する。
まず、UGTは各ノードの局所的な部分構造を特定し、各ノードの$k$ホップ近傍の特徴を集約することによって局所構造を学習する。
第三に、UGTは自己アテンションを通じて統一表現を学び、構造距離とノードペア間の$p$ステップ遷移確率を符号化する。
論文 参考訳(メタデータ) (2023-08-18T12:49:57Z) - You Only Transfer What You Share: Intersection-Induced Graph Transfer
Learning for Link Prediction [79.15394378571132]
従来見過ごされていた現象を調査し、多くの場合、元のグラフに対して密に連結された補グラフを見つけることができる。
より密度の高いグラフは、選択的で有意義な知識を伝達するための自然なブリッジを提供する元のグラフとノードを共有することができる。
この設定をグラフインターセクション誘導トランスファーラーニング(GITL)とみなし,eコマースや学術共同オーサシップ予測の実践的応用に動機づけられた。
論文 参考訳(メタデータ) (2023-02-27T22:56:06Z) - Convolutional Fine-Grained Classification with Self-Supervised Target
Relation Regularization [34.8793946023412]
本稿では,動的ターゲット関係グラフ(DTRG)を新たに導入する。
クラスレベルの特徴中心のオンライン計算は、表現空間におけるカテゴリ間距離を生成するように設計されている。
提案したターゲットグラフは,表現学習におけるデータの分散性と不均衡を緩和する。
論文 参考訳(メタデータ) (2022-08-03T11:51:53Z) - Self-supervised Graph-level Representation Learning with Local and
Global Structure [71.45196938842608]
自己教師付き全グラフ表現学習のためのローカル・インスタンスとグローバル・セマンティック・ラーニング(GraphLoG)という統合フレームワークを提案する。
GraphLoGは、局所的な類似点の保存に加えて、グローバルなセマンティッククラスタをキャプチャする階層的なプロトタイプも導入している。
モデル学習のための効率的なオンライン予測最大化(EM)アルゴリズムがさらに開発された。
論文 参考訳(メタデータ) (2021-06-08T05:25:38Z) - Sub-graph Contrast for Scalable Self-Supervised Graph Representation
Learning [21.0019144298605]
既存のグラフニューラルネットワークは、計算量やメモリコストが限られているため、完全なグラフデータで供給される。
textscSubg-Conは、中央ノードとそのサンプルサブグラフ間の強い相関を利用して、地域構造情報をキャプチャすることで提案される。
既存のグラフ表現学習アプローチと比較して、textscSubg-Conは、より弱い監視要件、モデル学習のスケーラビリティ、並列化において、顕著なパフォーマンス上のアドバンテージを持っています。
論文 参考訳(メタデータ) (2020-09-22T01:58:19Z) - Fine-Grained Visual Classification with Efficient End-to-end
Localization [49.9887676289364]
本稿では,エンド・ツー・エンドの設定において,分類ネットワークと融合可能な効率的なローカライゼーションモジュールを提案する。
我々は,CUB200-2011,Stanford Cars,FGVC-Aircraftの3つのベンチマークデータセット上で,新しいモデルを評価する。
論文 参考訳(メタデータ) (2020-05-11T14:07:06Z) - Distilling Knowledge from Graph Convolutional Networks [146.71503336770886]
既存の知識蒸留法は畳み込みニューラルネットワーク(CNN)に焦点を当てている
本稿では,事前学習したグラフ畳み込みネットワーク(GCN)モデルから知識を抽出する手法を提案する。
提案手法は,GCNモデルに対する最先端の知識蒸留性能を実現する。
論文 参考訳(メタデータ) (2020-03-23T18:23:11Z)
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。