論文の概要: Using Graph Neural Networks to Reconstruct Ancient Documents
- arxiv url: http://arxiv.org/abs/2011.07048v1
- Date: Fri, 13 Nov 2020 18:36:36 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-26 00:20:56.104873
- Title: Using Graph Neural Networks to Reconstruct Ancient Documents
- Title(参考訳): グラフニューラルネットワークによる古文書の再構築
- Authors: Cecilia Ostertag, Marie Beurton-Aimar
- Abstract要約: グラフニューラルネットワークをベースとした一対のパッチ情報を用いてラベルをエッジに割り当てる手法を提案する。
このネットワークは、ソースとターゲットパッチの関係を、アップ、ダウン、左、右、ノーンの1つに分類する。
このモデルでは,エッジレベルでの正確な分類だけでなく,パッチの集合から部分的あるいは完全な再構成グラフを生成することが可能である。
- 参考スコア(独自算出の注目度): 2.4366811507669124
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In recent years, machine learning and deep learning approaches such as
artificial neural networks have gained in popularity for the resolution of
automatic puzzle resolution problems. Indeed, these methods are able to extract
high-level representations from images, and then can be trained to separate
matching image pieces from non-matching ones. These applications have many
similarities to the problem of ancient document reconstruction from partially
recovered fragments. In this work we present a solution based on a Graph Neural
Network, using pairwise patch information to assign labels to edges
representing the spatial relationships between pairs. This network classifies
the relationship between a source and a target patch as being one of Up, Down,
Left, Right or None. By doing so for all edges, our model outputs a new graph
representing a reconstruction proposal. Finally, we show that our model is not
only able to provide correct classifications at the edge-level, but also to
generate partial or full reconstruction graphs from a set of patches.
- Abstract(参考訳): 近年,機械学習や人工知能などのディープラーニングアプローチが,自動パズル解決問題の解決に人気を集めている。
実際、これらの手法は画像から高レベルな表現を抽出し、マッチングしない画像片を分離するように訓練することができる。
これらの応用は、部分的に回収された断片から古代文書を復元する問題と多くの類似点がある。
本稿では,ペアワイズパッチ情報を用いて,ペア間の空間的関係を表すエッジにラベルを割り当てる,グラフニューラルネットワークに基づくソリューションを提案する。
このネットワークは、ソースとターゲットパッチの関係を、アップ、ダウン、左、右、ノーンの1つに分類する。
すべてのエッジに対して行うことで、再構築提案を表す新しいグラフを出力します。
最後に,本モデルはエッジレベルで正確な分類を提供するだけでなく,パッチ群から部分的あるいは完全な再構築グラフを生成することができることを示した。
関連論文リスト
- 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) - Deep Manifold Graph Auto-Encoder for Attributed Graph Embedding [51.75091298017941]
本稿では,属性付きグラフデータに対する新しいDeep Manifold (Variational) Graph Auto-Encoder (DMVGAE/DMGAE)を提案する。
提案手法は,最先端のベースラインアルゴリズムを,一般的なデータセット間でのダウンストリームタスクの差を大きく越える。
論文 参考訳(メタデータ) (2024-01-12T17:57:07Z) - Reconstructing vehicles from orthographic drawings using deep neural
networks [0.0]
本稿では,画素アラインな暗黙関数(PIFu)に基づくシステムを提案し,符号付き距離サンプルを生成するための高度なサンプリング手法を開発した。
トレーニングされたニューラルネットワークは、現実世界の入力をうまく一般化し、可塑性で詳細な再構築を生成する。
論文 参考訳(メタデータ) (2022-06-14T12:32:32Z) - Correlation Verification for Image Retrieval [15.823918683848877]
相関検証ネットワーク (CVNet) という新しい画像検索手法を提案する。
CVNetは、様々な画像対から多様な幾何マッチングパターンを学習しながら、高密度特徴相関を画像類似性に圧縮する。
提案するネットワークは,有意なマージンを有する複数の検索ベンチマークにおいて,最先端の性能を示す。
論文 参考訳(メタデータ) (2022-04-04T13:18:49Z) - Edge-Featured Graph Attention Network [7.0629162428807115]
エッジ機能付きグラフアテンションネットワーク(EGAT)を提案し、グラフニューラルネットワークの利用をノードとエッジの両方の特徴を持つグラフ上で学習するタスクに拡張する。
モデル構造と学習プロセスを改革することにより、新しいモデルはノードとエッジの機能を入力として受け入れ、エッジ情報を機能表現に組み込むことができ、ノードとエッジの機能を並列かつ相互に反復することができる。
論文 参考訳(メタデータ) (2021-01-19T15:08:12Z) - Group-Wise Semantic Mining for Weakly Supervised Semantic Segmentation [49.90178055521207]
この研究は、画像レベルのアノテーションとピクセルレベルのセグメンテーションのギャップを埋めることを目標に、弱い監督されたセマンティックセグメンテーション(WSSS)に対処する。
画像群における意味的依存関係を明示的にモデル化し,より信頼性の高い擬似的基盤構造を推定する,新たなグループ学習タスクとしてWSSSを定式化する。
特に、入力画像がグラフノードとして表現されるグループ単位のセマンティックマイニングのためのグラフニューラルネットワーク(GNN)を考案する。
論文 参考訳(メタデータ) (2020-12-09T12:40:13Z) - Sequential Graph Convolutional Network for Active Learning [53.99104862192055]
逐次グラフ畳み込みネットワーク(GCN)を用いた新しいプールベースアクティブラーニングフレームワークを提案する。
少数のランダムなサンプル画像がシードラベル付き例であるので、グラフのパラメータを学習してラベル付きノードと非ラベル付きノードを区別する。
我々はGCNの特性を利用してラベル付けされたものと十分に異なる未ラベルの例を選択する。
論文 参考訳(メタデータ) (2020-06-18T00:55:10Z) - Neural Subdivision [58.97214948753937]
本稿では,データ駆動型粗粒度モデリングの新しいフレームワークであるNeural Subdivisionを紹介する。
すべてのローカルメッシュパッチで同じネットワーク重みのセットを最適化するため、特定の入力メッシュや固定属、カテゴリに制約されないアーキテクチャを提供します。
単一の高分解能メッシュでトレーニングしても,本手法は新規な形状に対して合理的な区分を生成する。
論文 参考訳(メタデータ) (2020-05-04T20:03:21Z) - CRNet: Cross-Reference Networks for Few-Shot Segmentation [59.85183776573642]
少ないショットセグメンテーションは、少数のトレーニングイメージを持つ新しいクラスに一般化できるセグメンテーションモデルを学ぶことを目的としている。
相互参照機構により、我々のネットワークは2つの画像に共起する物体をよりよく見つけることができる。
PASCAL VOC 2012データセットの実験は、我々のネットワークが最先端のパフォーマンスを達成することを示す。
論文 参考訳(メタデータ) (2020-03-24T04:55:43Z)
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。