論文の概要: LayoutGMN: Neural Graph Matching for Structural Layout Similarity

• arxiv url: http://arxiv.org/abs/2012.06547v2
• Date: Tue, 6 Apr 2021 02:58:30 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-11 02:52:18.987181
• Title: LayoutGMN: Neural Graph Matching for Structural Layout Similarity
• Title（参考訳）: LayoutGMN: 構造化レイアウト類似性のためのニューラルグラフマッチング
• Authors: Akshay Gadi Patil, Manyi Li, Matthew Fisher, Manolis Savva, Hao Zhang
• Abstract要約: グラフマッチングネットワーク(GMN)を利用した2次元レイアウト間の構造的類似性を予測するディープニューラルネットワークを提案する。 我々のネットワークはLayoutGMNと呼ばれ、三重項ネットワーク環境下で設計されたアテンションベースのGMNを用いてニューラルネットワークマッチングによってレイアウトメトリクスを学習する。
• 参考スコア（独自算出の注目度）: 24.267758151082077
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present a deep neural network to predict structural similarity between 2D layouts by leveraging Graph Matching Networks (GMN). Our network, coined LayoutGMN, learns the layout metric via neural graph matching, using an attention-based GMN designed under a triplet network setting. To train our network, we utilize weak labels obtained by pixel-wise Intersection-over-Union (IoUs) to define the triplet loss. Importantly, LayoutGMN is built with a structural bias which can effectively compensate for the lack of structure awareness in IoUs. We demonstrate this on two prominent forms of layouts, viz., floorplans and UI designs, via retrieval experiments on large-scale datasets. In particular, retrieval results by our network better match human judgement of structural layout similarity compared to both IoUs and other baselines including a state-of-the-art method based on graph neural networks and image convolution. In addition, LayoutGMN is the first deep model to offer both metric learning of structural layout similarity and structural matching between layout elements.
• Abstract（参考訳）: 本稿では,グラフマッチングネットワーク(gmn)を用いて,2次元レイアウト間の構造的類似性を予測するディープニューラルネットワークを提案する。 我々のネットワークはLayoutGMNと呼ばれ、三重項ネットワーク環境下で設計されたアテンションベースのGMNを用いてニューラルネットワークマッチングによってレイアウトメトリクスを学習する。 ネットワークをトレーニングするために,画素ワイド・インターセクション・オーバー・ユニオン(IoUs)によって得られた弱いラベルを用いて三重項損失を定義する。 重要なことに、LayoutGMNはIoUの構造意識の欠如を効果的に補う構造バイアスで構築されている。 大規模なデータセットの検索実験を通じて,2種類のレイアウト,ビズ,フロアプラン,UI設計でこれを実証する。 特に,本ネットワークによる検索結果は,グラフニューラルネットワークに基づく最先端手法や画像畳み込み法など,iousや他のベースラインと比較して,構造レイアウトの類似性の人間的判断に合致する。 加えて、LayoutGMNはレイアウト要素間の構造的マッチングと構造的類似性の計量学習を提供する最初のディープモデルである。

関連論文リスト

• SEGMN: A Structure-Enhanced Graph Matching Network for Graph Similarity Learning [4.506862318909861]
  グラフ類似度計算(GSC)は、2つのグラフ間の類似度スコアの定量化を目的としている。 構造強化グラフマッチングネットワーク(SEGMN)を提案する。 二重埋め込み学習モジュールは、隣接するエッジ表現を各ノードに組み込んで構造強化表現を実現する。 構造知覚マッチングモジュールは、代入グラフ畳み込みによるクロスグラフ構造拡張を実現する。
  論文  参考訳（メタデータ） (2024-11-06T02:45:16Z)
• Split-and-Fit: Learning B-Reps via Structure-Aware Voronoi Partitioning [50.684254969269546]
  本稿では,3次元CADモデルのバウンダリ表現(B-Reps)を取得する新しい手法を提案する。 各パーティション内に1つのプリミティブを導出するために空間分割を適用する。 我々のネットワークはニューラルなボロノイ図でNVD-Netと呼ばれ、訓練データからCADモデルのボロノイ分割を効果的に学習できることを示す。
  論文  参考訳（メタデータ） (2024-06-07T21:07:49Z)
• Graph Transformer GANs with Graph Masked Modeling for Architectural Layout Generation [153.92387500677023]
  本稿では,グラフノード関係を効果的に学習するために,GTGAN(Graph Transformer Generative Adversarial Network)を提案する。 提案したグラフ変換器エンコーダは、局所的およびグローバルな相互作用をモデル化するために、Transformer内のグラフ畳み込みと自己アテンションを組み合わせる。 また,グラフ表現学習のための自己指導型事前学習手法を提案する。
  論文  参考訳（メタデータ） (2024-01-15T14:36:38Z)
• Graph Spectral Embedding using the Geodesic Betweeness Centrality [76.27138343125985]
  本稿では、局所的な類似性、接続性、グローバル構造を教師なしで表現するグラフSylvester Embedding (GSE)を紹介する。 GSEはシルヴェスター方程式の解を用いて、ネットワーク構造と近傍の近接を1つの表現で捉える。
  論文  参考訳（メタデータ） (2022-05-07T04:11:23Z)
• 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)
• Hierarchical Graph Networks for 3D Human Pose Estimation [50.600944798627786]
  最近の2次元から3次元の人間のポーズ推定は、人間の骨格のトポロジーによって形成されたグラフ構造を利用する傾向がある。 この骨格トポロジーは体の構造を反映するには小さすぎるため、重度の2次元から3次元のあいまいさに悩まされていると我々は主張する。 本稿では,これらの弱点を克服するために,新しいグラフ畳み込みネットワークアーキテクチャである階層グラフネットワークを提案する。
  論文  参考訳（メタデータ） (2021-11-23T15:09:03Z)
• DINE: A Framework for Deep Incomplete Network Embedding [33.97952453310253]
  本稿では,ディープ不完全ネットワーク埋め込み,すなわちDINEを提案する。 まず、期待最大化フレームワークを用いて、部分的に観測可能なネットワーク内のノードとエッジの両方を含む欠落部分を完成させる。 マルチラベル分類およびリンク予測タスクにおいて,DINEを3つのネットワーク上で評価する。
  論文  参考訳（メタデータ） (2020-08-09T04:59:35Z)
• Representation Learning of Graphs Using Graph Convolutional Multilayer Networks Based on Motifs [17.823543937167848]
  mGCMNはノードの特徴情報とグラフの高階局所構造を利用する新しいフレームワークである。 グラフニューラルネットワークの学習効率を大幅に改善し、新たな学習モードの確立を促進する。
  論文  参考訳（メタデータ） (2020-07-31T04:18:20Z)
• GraphCL: Contrastive Self-Supervised Learning of Graph Representations [20.439666392958284]
  本稿では,ノード表現を自己教師型で学習するための一般的なフレームワークであるGraph Contrastive Learning (GraphCL)を提案する。 グラフニューラルネットワークを用いて、同じノードの2つの表現を生成し、対照的な学習損失を利用して両者の一致を最大化する。 帰納的学習と帰納的学習の両方において,本手法がノード分類ベンチマークにおいて教師なし学習の最先端性を大幅に上回っていることを示す。
  論文  参考訳（メタデータ） (2020-07-15T22:36:53Z)
• The Heterogeneity Hypothesis: Finding Layer-Wise Differentiated Network Architectures [179.66117325866585]
  我々は、通常見過ごされる設計空間、すなわち事前定義されたネットワークのチャネル構成を調整することを検討する。 この調整は、拡張ベースラインネットワークを縮小することで実現でき、性能が向上する。 画像分類、視覚追跡、画像復元のための様々なネットワークとデータセットで実験を行う。
  論文  参考訳（メタデータ） (2020-06-29T17:59:26Z)
• 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)

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。