論文の概要: Coarse- and fine-scale geometric information content of Multiclass
Classification and implied Data-driven Intelligence
- arxiv url: http://arxiv.org/abs/2104.07191v1
- Date: Thu, 15 Apr 2021 01:24:17 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-17 05:53:03.792619
- Title: Coarse- and fine-scale geometric information content of Multiclass
Classification and implied Data-driven Intelligence
- Title（参考訳）: 多類分類と含意データ駆動知能の粗大・微細な幾何学的情報内容
- Authors: Fushing Hsieh and Xiaodong Wang
- Abstract要約: 部分順序の集団はラベル空間上のラベル埋め込み木幾何を効率的に計算できることを示す。
このツリーは、予測グラフ、または正確に重み付けされたリンクを持つネットワークを生み出します。
- 参考スコア（独自算出の注目度）: 11.746097125565614
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Under any Multiclass Classification (MCC) setting defined by a collection of
labeled point-cloud specified by a feature-set, we extract only stochastic
partial orderings from all possible triplets of point-cloud without explicitly
measuring the three cloud-to-cloud distances. We demonstrate that such a
collective of partial ordering can efficiently compute a label embedding tree
geometry on the Label-space. This tree in turn gives rise to a predictive
graph, or a network with precisely weighted linkages. Such two multiscale
geometries are taken as the coarse scale information content of MCC. They
indeed jointly shed lights on explainable knowledge on why and how labeling
comes about and facilitates error-free prediction with potential multiple
candidate labels supported by data. For revealing within-label heterogeneity,
we further undergo labeling naturally found clusters within each point-cloud,
and likewise derive multiscale geometry as its fine-scale information content
contained in data. This fine-scale endeavor shows that our computational
proposal is indeed scalable to a MCC setting having a large label-space.
Overall the computed multiscale collective of data-driven patterns and
knowledge will serve as a basis for constructing visible and explainable
subject matter intelligence regarding the system of interest.
- Abstract（参考訳）: 特徴集合によって指定されたラベル付きポイントクラウドの集合によって定義される任意のマルチクラス分類(mcc)の下では、3つのクラウド間距離を明示的に測定することなく、ポイントクラウドの可能なすべてのトリプレットから確率的部分順序のみを抽出する。
このような部分順序の集まりがラベル空間上のラベル埋め込み木幾何を効率的に計算できることを実証する。
この木は、予測グラフや、正確に重み付けされたリンクを持つネットワークを生み出します。
これらの2つのマルチスケールジオメトリは、MCCの粗いスケール情報内容とみなす。
実際に彼らは、なぜ、どのようにラベル付けが行われるのかに関する説明可能な知識を共同で発見し、データによってサポートされている複数の候補ラベルでエラーフリーな予測を促進する。
ラベル内不均一性を明らかにするため,各点クラウド内で自然に発見されたクラスタをラベル付けし,データに含まれる微細な情報内容としてマルチスケール幾何を導出する。
この細かな取り組みは、我々の計算提案が、大きなラベル空間を持つMCC設定に対して実際にスケーラブルであることを示している。
全体として、データ駆動パターンと知識の計算された多スケール集合は、興味のシステムに関する可視で説明可能な主題知性を構築する基盤となる。
関連論文リスト
- Label Learning Method Based on Tensor Projection [82.51786483693206]
テンソルプロジェクション(LLMTP)に基づくラベル学習手法を提案する。
行列射影変換をテンソル射影に拡張し、ビュー間の空間構造情報を活用できるようにする。
さらに、テンソルのSchatten $p$-norm正規化を導入し、異なるビューのクラスタリングラベル行列を可能な限り一貫性を持たせる。
論文 参考訳（メタデータ） (2024-02-26T13:03:26Z) - MixSup: Mixed-grained Supervision for Label-efficient LiDAR-based 3D
Object Detection [59.1417156002086]
MixSupは、大量の安価な粗いラベルと、Mixed-fine Supervisionの限られた数の正確なラベルを同時に活用する、より実用的なパラダイムである。
MixSupは、安価なクラスタアノテーションと10%のボックスアノテーションを使用して、完全な教師付きパフォーマンスの97.31%を達成している。
論文 参考訳（メタデータ） (2024-01-29T17:05:19Z) - A Data-efficient Framework for Robotics Large-scale LiDAR Scene Parsing [10.497309421830671]
既存の最先端の3Dポイントクラウド理解手法は、完全に教師された方法でのみうまく機能する。
この研究は、ラベルが制限されているときのポイントクラウドを理解するための、汎用的でシンプルなフレームワークを提示している。
論文 参考訳（メタデータ） (2023-12-03T02:38:51Z) - Choose A Table: Tensor Dirichlet Process Multinomial Mixture Model with
Graphs for Passenger Trajectory Clustering [33.36290451052104]
グラフを用いた新しいテンソルディリクレプロセス多相混合モデルを提案する。
このモデルは多次元旅行情報の階層構造を保存し、それらを一段階の統一的な方法でクラスタ化することができる。
香港の地下鉄利用者データに基づくケーススタディを行い,クラスター量の自動的進化過程を実証した。
論文 参考訳（メタデータ） (2023-10-31T06:53:04Z) - Deep Semantic Graph Matching for Large-scale Outdoor Point Clouds
Registration [22.308070598885532]
我々は、ポイントクラウド登録問題をセマンティックインスタンスマッチングと登録タスクとして扱う。
大規模屋外クラウド登録のためのディープセマンティックグラフマッチング法(DeepSGM)を提案する。
KITTIオドメトリデータセットで行った実験結果から,提案手法が登録性能を向上させることが示された。
論文 参考訳（メタデータ） (2023-08-10T03:07:28Z) - Transferable Deep Metric Learning for Clustering [1.2762298148425795]
高い空間におけるクラスタリングは難しい作業であり、通常の次元距離のメトリクスは次元性の呪いの下ではもはや適切ではないかもしれない。
ラベル付きデータセットでメトリクスを学習し、異なるデータセットにそれを適用できることを示します。
少数のラベル付きトレーニングデータセットと浅いネットワークを使用しながら、最先端技術と競合する結果を得る。
論文 参考訳（メタデータ） (2023-02-13T17:09:59Z) - Box2Seg: Learning Semantics of 3D Point Clouds with Box-Level
Supervision [65.19589997822155]
我々は3Dポイントクラウドのポイントレベルのセマンティクスをバウンディングボックスレベルの監視で学習するために,Box2Segと呼ばれるニューラルアーキテクチャを導入する。
提案するネットワークは,安価な,あるいは既定のバウンディングボックスレベルのアノテーションやサブクラウドレベルのタグでトレーニング可能であることを示す。
論文 参考訳（メタデータ） (2022-01-09T09:07:48Z) - Measuring inter-cluster similarities with Alpha Shape TRIangulation in
loCal Subspaces (ASTRICS) facilitates visualization and clustering of
high-dimensional data [0.0]
高次元(HD)データのクラスタリングと可視化は、様々な分野において重要なタスクである。
HDデータをクラスタリングする最も効果的なアルゴリズムは、グラフ内のノードによってデータを表現することに基づいている。
本稿では,HDデータポイントのクラスタ間の類似性を計測するASTRICSという手法を提案する。
論文 参考訳（メタデータ） (2021-07-15T20:51:06Z) - Campus3D: A Photogrammetry Point Cloud Benchmark for Hierarchical
Understanding of Outdoor Scene [76.4183572058063]
複数の屋外シーン理解タスクに対して,リッチな注釈付き3Dポイントクラウドデータセットを提案する。
データセットは階層型ラベルとインスタンスベースのラベルの両方でポイントワイズアノテートされている。
本稿では,3次元点雲分割のための階層的学習問題を定式化し,様々な階層間の整合性を評価することを提案する。
論文 参考訳（メタデータ） (2020-08-11T19:10:32Z) - Few-shot 3D Point Cloud Semantic Segmentation [138.80825169240302]
本稿では,新しい注意型マルチプロトタイプトランスダクティブ・ショットポイント・クラウドセマンティックセマンティック・セマンティクス法を提案する。
提案手法は,雲のセマンティックセマンティックセグメンテーション設定の違いによるベースラインに比べて,顕著で一貫した改善を示す。
論文 参考訳（メタデータ） (2020-06-22T08:05:25Z) - Multi-Path Region Mining For Weakly Supervised 3D Semantic Segmentation
on Point Clouds [67.0904905172941]
本稿では,3次元点雲上の弱ラベルを用いた点レベルの予測のための弱教師付きアプローチを提案する。
私たちの知る限りでは、これは、クラウドレベルの弱いラベルを生の3D空間で使用して、ポイントクラウドセマンティックセグメンテーションネットワークをトレーニングする最初の方法です。
論文 参考訳（メタデータ） (2020-03-29T14:13:29Z)
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。