論文の概要: Pose-GNN : Camera Pose Estimation System Using Graph Neural Networks

• arxiv url: http://arxiv.org/abs/2103.09435v1
• Date: Wed, 17 Mar 2021 04:40:02 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-18 20:24:07.245638
• Title: Pose-GNN : Camera Pose Estimation System Using Graph Neural Networks
• Title（参考訳）: グラフニューラルネットワークを用いたPose-GNN : カメラポーズ推定システム
• Authors: Ahmed Elmoogy, Xiaodai Dong, Tao Lu, Robert Westendorp, Kishore Reddy
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 12.12580095956898
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We propose a novel image based localization system using graph neural networks (GNN). The pretrained ResNet50 convolutional neural network (CNN) architecture is used to extract the important features for each image. Following, the extracted features are input to GNN to find the pose of each image by either using the image features as a node in a graph and formulate the pose estimation problem as node pose regression or modelling the image features themselves as a graph and the problem becomes graph pose regression. We do an extensive comparison between the proposed two approaches and the state of the art single image localization methods and show that using GNN leads to enhanced performance for both indoor and outdoor environments.
• Abstract（参考訳）: 本稿では,グラフニューラルネットワーク(GNN)を用いた画像に基づく新たなローカライ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。 次に抽出した特徴をGNNに入力し、グラフ内のノードとして画像特徴を用いて各画像のポーズを見つけ、ポーズ推定問題をノードポーズ回帰として定式化し、画像特徴自体をグラフとしてモデル化し、グラフポーズ回帰となる。 提案する2つのアプローチとアート・シングル・イメージ・ローカライズ法を広範囲に比較し,gnnの使用が室内および屋外の環境におけるパフォーマンスの向上に寄与することを示す。

関連論文リスト

• Upright adjustment with graph convolutional networks [21.103565022124037]
  本稿では,360度画像のアップライト調整のための新しい手法を提案する。 我々のネットワークは、畳み込みニューラルネットワーク(CNN)とグラフ畳み込みニューラルネットワーク(GCN)の2つのモジュールから構成されている。
  論文  参考訳（メタデータ） (2024-06-01T01:54:57Z)
• 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)
• 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)
• Monocular Human Shape and Pose with Dense Mesh-borne Local Image Features [8.422257363944295]
  本稿では,人物形状に対するグラフ畳み込みに基づくアプローチの改善と,画素配列の局所像特徴を用いたポーズ推定を提案する。 標準ベンチマークの結果から,グローバルな環境における局所的特徴の利用が向上し,最先端技術に対する競争性能が向上することが示された。
  論文  参考訳（メタデータ） (2021-11-09T18:43:18Z)
• Increase and Conquer: Training Graph Neural Networks on Growing Graphs [116.03137405192356]
  本稿では,このグラフからBernoulliをサンプリングしたグラフ上でGNNをトレーニングすることで,WNN(Graphon Neural Network)を学習する問題を考察する。 これらの結果から着想を得た大規模グラフ上でGNNを学習するアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-06-07T15:05:59Z)
• Image Restoration by Deep Projected GSURE [115.57142046076164]
  Ill-posed inverse problem は、デブロアリングや超解像など、多くの画像処理アプリケーションに現れる。 本稿では,一般化されたSteinUnbiased Risk Estimator(GSURE)の「投影変換」とCNNによる潜在画像のパラメータ化を含む損失関数の最小化に基づく,新たな画像復元フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-02-04T08:52:46Z)
• Processing of incomplete images by (graph) convolutional neural networks [7.778461949427663]
  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。
  論文  参考訳（メタデータ） (2020-10-26T21:40:03Z)
• A Unified View on Graph Neural Networks as Graph Signal Denoising [49.980783124401555]
  グラフニューラルネットワーク(GNN)は,グラフ構造化データの学習表現において顕著に普及している。 本研究では,代表的GNNモデル群における集約過程を,グラフ記述問題の解法とみなすことができることを数学的に確立する。 UGNNから派生した新しいGNNモデルADA-UGNNをインスタンス化し、ノード間の適応的滑らかさでグラフを処理する。
  論文  参考訳（メタデータ） (2020-10-05T04:57:18Z)
• Graph Neural Networks: Architectures, Stability and Transferability [176.3960927323358]
  グラフニューラルネットワーク(GNN)は、グラフでサポートされている信号のための情報処理アーキテクチャである。 これらは、個々の層がグラフ畳み込みフィルタのバンクを含む畳み込みニューラルネットワーク(CNN)の一般化である。
  論文  参考訳（メタデータ） (2020-08-04T18:57:36Z)
• Graphs, Convolutions, and Neural Networks: From Graph Filters to Graph Neural Networks [183.97265247061847]
  我々はグラフ信号処理を活用してグラフニューラルネットワーク(GNN)の表現空間を特徴付ける。 GNNにおけるグラフ畳み込みフィルタの役割について議論し、そのようなフィルタで構築されたアーキテクチャは、置換同値の基本的な性質と位相変化に対する安定性を持つことを示す。 また,ロボット群に対するリコメンデータシステムや分散型コントローラの学習におけるGNNの利用について検討した。
  論文  参考訳（メタデータ） (2020-03-08T13:02:15Z)

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。