論文の概要: Structural Textile Pattern Recognition and Processing Based on Hypergraphs

• arxiv url: http://arxiv.org/abs/2103.11271v1
• Date: Sun, 21 Mar 2021 00:44:40 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-25 10:29:35.062036
• Title: Structural Textile Pattern Recognition and Processing Based on Hypergraphs
• Title（参考訳）: ハイパーグラフに基づく構造繊維パターン認識と加工
• Authors: Vuong M. Ngo and Sven Helmer and Nhien-An Le-Khac and M-Tahar Kechadi
• Abstract要約: 織物アーカイブの構造に基づく類似の織物パターンを認識するアプローチを紹介します。 まず,ハイパーグラフを用いて織物構造を表現し,これらのグラフから織物パターンを記述するk-neighbourhoodの多重集合を抽出する。 結果の多重集合は、様々な距離測度と様々なクラスタリングアルゴリズムを用いてクラスタ化される。
• 参考スコア（独自算出の注目度）: 2.4963790083110426
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The humanities, like many other areas of society, are currently undergoing major changes in the wake of digital transformation. However, in order to make collection of digitised material in this area easily accessible, we often still lack adequate search functionality. For instance, digital archives for textiles offer keyword search, which is fairly well understood, and arrange their content following a certain taxonomy, but search functionality at the level of thread structure is still missing. To facilitate the clustering and search, we introduce an approach for recognising similar weaving patterns based on their structures for textile archives. We first represent textile structures using hypergraphs and extract multisets of k-neighbourhoods describing weaving patterns from these graphs. Then, the resulting multisets are clustered using various distance measures and various clustering algorithms (K-Means for simplicity and hierarchical agglomerative algorithms for precision). We evaluate the different variants of our approach experimentally, showing that this can be implemented efficiently (meaning it has linear complexity), and demonstrate its quality to query and cluster datasets containing large textile samples. As, to the est of our knowledge, this is the first practical approach for explicitly modelling complex and irregular weaving patterns usable for retrieval, we aim at establishing a solid baseline.
• Abstract（参考訳）: 人文科学は、他の社会の多くの分野と同様に、現在デジタルトランスフォーメーションの後に大きな変化を遂げている。 しかし,この領域におけるデジタル資料の収集が容易になるためには,検索機能に十分不足することが多い。 例えば、織物のデジタルアーカイブはキーワード検索を提供しており、かなりよく理解されており、特定の分類に従ってコンテンツを配置するが、スレッド構造のレベルでの検索機能はいまだに欠けている。 クラスタリングと探索を容易にするために,繊維アーカイブの構造に基づいて類似した織物パターンを認識する手法を提案する。 まず,ハイパーグラフを用いて織物構造を表現し,これらのグラフから織物パターンを記述するk-neighbourhoodの多重集合を抽出する。 得られた多重集合は、様々な距離測度と様々なクラスタリングアルゴリズムを用いてクラスタリングされる(K-Meansは単純性、階層的凝集アルゴリズムは正確性)。 提案手法の異なる変種を実験的に評価し、これを効率的に実装できること(つまり線形複雑である)を示し、大規模な繊維サンプルを含むデータセットをクエリしクラスタ化するための品質を示す。 我々の知る限りでは、これは検索に使用可能な複雑で不規則な織りパターンを明示的にモデル化するための最初の実践的アプローチである。

関連論文リスト

• Query-oriented Data Augmentation for Session Search [71.84678750612754]
  本稿では,検索ログの強化とモデリングの強化を目的としたクエリ指向データ拡張を提案する。 検索コンテキストの最も重要な部分を変更することで補足的なトレーニングペアを生成する。 我々は、現在のクエリを変更するためのいくつかの戦略を開発し、その結果、様々な難易度で新しいトレーニングデータを得る。
  論文  参考訳（メタデータ） (2024-07-04T08:08:33Z)
• Generative Retrieval as Multi-Vector Dense Retrieval [71.75503049199897]
  生成検索は、文書の識別子をエンドツーエンドで生成する。 それまでの研究は、原子識別子による生成的検索が単一ベクトル密度検索と等価であることを示した。 生成的検索と多ベクトル高密度検索は,文書の問合せに対する関連性を測定するのと同じ枠組みを共有していることを示す。
  論文  参考訳（メタデータ） (2024-03-31T13:29:43Z)
• How Does Generative Retrieval Scale to Millions of Passages? [68.98628807288972]
  各種コーパス尺度における生成的検索手法の実証的研究を行った。 我々は8.8Mパスのコーパスで数百万のパスに生成検索をスケールし、モデルサイズを最大11Bパラメータまで評価する。 生成的検索は、小さなコーパス上の最先端のデュアルエンコーダと競合するが、数百万のパスへのスケーリングは依然として重要で未解決の課題である。
  論文  参考訳（メタデータ） (2023-05-19T17:33:38Z)
• Search to Pass Messages for Temporal Knowledge Graph Completion [97.40256786473516]
  我々は、時間知識グラフ(TKG)の補完のために、NAS(Neural Architecture Search)を用いて、データ固有のメッセージパッシングアーキテクチャを設計することを提案する。 特に,TKGにおけるトポロジカルおよび時間的情報を探るための一般化されたフレームワークを開発する。 より低コストで効率的な探索のために単一経路をサンプリングし,スーパーネット構造を訓練する探索アルゴリズムを採用する。
  論文  参考訳（メタデータ） (2022-10-30T04:05:06Z)
• Autoregressive Search Engines: Generating Substrings as Document Identifiers [53.0729058170278]
  自動回帰言語モデルは、回答を生成するデファクト標準として現れています。 これまでの研究は、探索空間を階層構造に分割する方法を探究してきた。 本研究では,検索空間の任意の構造を強制しない代替として,経路内のすべてのngramを識別子として使用することを提案する。
  論文  参考訳（メタデータ） (2022-04-22T10:45:01Z)
• Embracing Structure in Data for Billion-Scale Semantic Product Search [14.962039276966319]
  我々は、数十億の規模でダイアドニューラル埋め込みモデルを訓練し、展開するための原則的アプローチを提案する。 実世界のデータセットの自然な構造を活用することで、両方の課題に効率的に対処できることが示される。
  論文  参考訳（メタデータ） (2021-10-12T16:14:13Z)
• Multi-Modal Association based Grouping for Form Structure Extraction [14.134131448981295]
  形態構造抽出のための新しいマルチモーダル手法を提案する。 我々は、TextBlocks、Text Fields、Choice Fields、Choice Groupsなどの高階構造を抽出する。 提案手法は, それぞれ90.29%, 73.80%, 83.12%, 52.72%のリコールを達成している。
  論文  参考訳（メタデータ） (2021-07-09T12:49:34Z)
• Improving Document Representations by Generating Pseudo Query Embeddings for Dense Retrieval [11.465218502487959]
  反復的なクラスタリングプロセスにより,各文書のクエリを模倣する手法を設計する。 また、2段階のスコア計算手順でマッチング関数を最適化する。 いくつかの人気ランキングとQAデータセットに関する実験結果から、私たちのモデルが最先端の結果を達成できることが示された。
  論文  参考訳（メタデータ） (2021-05-08T05:28:24Z)
• NASE: Learning Knowledge Graph Embedding for Link Prediction via Neural Architecture Search [9.634626241415916]
  リンク予測は、知識グラフ(KG)におけるエンティティ間の欠落した接続を予測するタスクである これまでの研究では、Automated Machine Learning(AutoML)を使用して、データセットに最適なモデルを探していた。 リンク予測タスクのための新しいニューラルネットワーク探索(NAS)フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-08-18T03:34:09Z)
• AutoSTR: Efficient Backbone Search for Scene Text Recognition [80.7290173000068]
  テキストインスタンスの多様性とシーンの複雑さのため、シーンテキスト認識(STR)は非常に難しい。 テキスト認識性能を向上させるために,データ依存のバックボーンを検索するための自動STR(AutoSTR)を提案する。 実験によると、データ依存のバックボーンを検索することで、AutoSTRは標準ベンチマークにおける最先端のアプローチより優れている。
  論文  参考訳（メタデータ） (2020-03-14T06:51:04Z)

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。

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。