論文の概要: Harmonious Semantic Line Detection via Maximal Weight Clique Selection

• arxiv url: http://arxiv.org/abs/2104.06903v1
• Date: Wed, 14 Apr 2021 14:54:27 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-15 13:15:00.241289
• Title: Harmonious Semantic Line Detection via Maximal Weight Clique Selection
• Title（参考訳）: 最大重み選択による高調波セマンティックライン検出
• Authors: Dongkwon Jin, Wonhui Park, Seong-Gyun Jeong and Chang-Su Kim
• Abstract要約: 本研究では、セマンティックラインの最適集合を検出するための新しいアルゴリズムを提案する。 選択ネットワーク(S-Net)と調和ネットワーク(H-Net)の2つのネットワークを開発する。 実験により,提案アルゴリズムは意味線を効果的かつ効率的に検出できることを示した。
• 参考スコア（独自算出の注目度）: 42.20986101351654
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A novel algorithm to detect an optimal set of semantic lines is proposed in this work. We develop two networks: selection network (S-Net) and harmonization network (H-Net). First, S-Net computes the probabilities and offsets of line candidates. Second, we filter out irrelevant lines through a selection-and-removal process. Third, we construct a complete graph, whose edge weights are computed by H-Net. Finally, we determine a maximal weight clique representing an optimal set of semantic lines. Moreover, to assess the overall harmony of detected lines, we propose a novel metric, called HIoU. Experimental results demonstrate that the proposed algorithm can detect harmonious semantic lines effectively and efficiently. Our codes are available at https://github.com/dongkwonjin/Semantic-Line-MWCS.
• Abstract（参考訳）: 本研究では,最適意味線の組を検出する新しいアルゴリズムを提案する。 選択ネットワーク(S-Net)と調和ネットワーク(H-Net)の2つのネットワークを開発する。 まず、s-netは行候補の確率とオフセットを計算する。 第2に、無関係な線を選択除去プロセスでフィルタリングする。 第3に、エッジウェイトがh-netで計算される完全グラフを構築する。 最後に,最適意味線の集合を表す最大重みの傾きを決定する。 さらに,検出された線全体の調和性を評価するために,ヒウと呼ばれる新しい計量を提案する。 実験により,提案アルゴリズムは調和した意味線を効果的かつ効率的に検出できることを示した。 私たちのコードはhttps://github.com/dongkwonjin/Semantic-Line-MWCSで公開されています。

関連論文リスト

• Semantic Line Combination Detector [17.60109693530759]
  本稿では,セマンティック・ライン・コンビネーション・ディテクター (SLCD) と呼ばれる,セマンティック・ラインの最適組み合わせを求める新しいアルゴリズムを提案する。 各ラインの組み合わせで全てのラインを一度に処理し、ライン全体の調和を評価する。 実験により,提案したSLCDは,様々なデータセット上で既存の意味線検出器よりも優れた性能を示した。
  論文  参考訳（メタデータ） (2024-04-29T03:21:05Z)
• PruneSymNet: A Symbolic Neural Network and Pruning Algorithm for Symbolic Regression [14.38941096136575]
  記号回帰は、データの理解と解釈をより良くするために、データから解釈可能な記号表現を導出することを目的としている。 本研究では,記号回帰のためにPruneSymNetと呼ばれるシンボルネットワークを提案する。 データフィッティングの精度を確保しつつ,ネットワークをサブネットワークにプルークするグリーディープルーニングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-01-25T11:53:35Z)
• Online Network Source Optimization with Graph-Kernel MAB [62.6067511147939]
  大規模ネットワークにおける最適なソース配置をオンラインで学習するためのグラフカーネルマルチアームバンディットアルゴリズムであるGrab-UCBを提案する。 適応グラフ辞書モデルを用いて,ネットワークプロセスを記述する。 我々は、ネットワークパラメータに依存する性能保証を導出し、シーケンシャルな意思決定戦略の学習曲線にさらに影響を及ぼす。
  論文  参考訳（メタデータ） (2023-07-07T15:03:42Z)
• Bring Your Own View: Graph Neural Networks for Link Prediction with Personalized Subgraph Selection [57.34881616131377]
  異なるエッジに対して最適なサブグラフを自動,個人的,帰納的に識別するプラグイン・アンド・プレイ・フレームワークとしてパーソナライズされたサブグラフセレクタ(PS2)を導入する。 PS2は二段階最適化問題としてインスタンス化され、効率よく解ける。 GNNLPトレーニングに対する新たなアプローチとして,まずエッジの最適な部分グラフを識別し,次にサンプル部分グラフを用いて推論モデルをトレーニングすることを提案する。
  論文  参考訳（メタデータ） (2022-12-23T17:30:19Z)
• Semantic Line Detection Using Mirror Attention and Comparative Ranking and Matching [44.10942440861644]
  本稿では,意味線を検出する新しいアルゴリズムを提案する。 ミラーアテンション付き検出ネットワーク(D-Net)、比較ランキングとマッチングネットワーク(R-NetとM-Net)の3つのネットワークを開発する。
  論文  参考訳（メタデータ） (2022-03-29T07:00:29Z)
• Unfolding Projection-free SDP Relaxation of Binary Graph Classifier via GDPA Linearization [59.87663954467815]
  アルゴリズムの展開は、モデルベースのアルゴリズムの各イテレーションをニューラルネットワーク層として実装することにより、解釈可能で類似のニューラルネットワークアーキテクチャを生成する。 本稿では、Gershgorin disc perfect alignment (GDPA)と呼ばれる最近の線形代数定理を利用して、二進グラフの半定値プログラミング緩和(SDR)のためのプロジェクションフリーアルゴリズムをアンロールする。 実験結果から,我々の未学習ネットワークは純粋モデルベースグラフ分類器よりも優れ,純粋データ駆動ネットワークに匹敵する性能を示したが,パラメータははるかに少なかった。
  論文  参考訳（メタデータ） (2021-09-10T07:01:15Z)
• Learning a Large Neighborhood Search Algorithm for Mixed Integer Programs [6.084888301899142]
  混合整数プログラム(MIP)に対する学習型LSSアプローチの検討 ニューラル・ディバイディング・モデルを用いて代入よりも確率分布を表現し、既製のMIPソルバとともに初期代入を生成する。 そこで我々はニューラル近隣選択ポリシーを訓練し,各ステップで探索地区を選択する。
  論文  参考訳（メタデータ） (2021-07-21T16:43:46Z)
• Gated Path Selection Network for Semantic Segmentation [72.44994579325822]
  我々は,適応的な受容場を学習することを目的とした,GPSNetという新しいネットワークを開発した。 GPSNetにおいて、我々はまず2次元のマルチスケールネットワーク、SuperNetを設計する。 望ましいセマンティックコンテキストを動的に選択するために、ゲート予測モジュールがさらに導入される。
  論文  参考訳（メタデータ） (2020-01-19T12:32:17Z)

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。