Fugu-MT 論文翻訳(概要): Survey of Image Based Graph Neural Networks

論文の概要: Survey of Image Based Graph Neural Networks

arxiv url: http://arxiv.org/abs/2106.06307v1
Date: Fri, 11 Jun 2021 10:56:43 GMT
ステータス: 処理完了
システム内更新日: 2021-06-14 20:29:36.302342
Title: Survey of Image Based Graph Neural Networks
Title（参考訳）: 画像に基づくグラフニューラルネットワークの探索
Authors: Usman Nazir, He Wang and Murtaza Taj
Abstract要約: 入力データの30%を削減するために、まずQuickshiftアルゴリズムを用いて画像をスーパーピクセルに変換する。スーパーピクセルはその後、領域隣接グラフを生成するために使用される。グラフは最先端のグラフ畳み込みニューラルネットワークを通過して、分類スコアを取得する。
参考スコア（独自算出の注目度）: 10.437582458089034
License: http://creativecommons.org/licenses/by/4.0/
Abstract: In this survey paper, we analyze image based graph neural networks and propose a three-step classification approach. We first convert the image into superpixels using the Quickshift algorithm so as to reduce 30% of the input data. The superpixels are subsequently used to generate a region adjacency graph. Finally, the graph is passed through a state-of-art graph convolutional neural network to get classification scores. We also analyze the spatial and spectral convolution filtering techniques in graph neural networks. Spectral-based models perform better than spatial-based models and classical CNN with lesser compute cost.
Abstract（参考訳）: 本稿では,画像に基づくグラフニューラルネットワークを分析し,3段階の分類手法を提案する。入力データの30%を削減するために、まずQuickshiftアルゴリズムを用いて画像をスーパーピクセルに変換する。スーパーピクセルはその後、領域隣接グラフを生成するために使用される。最後に、グラフは最先端のグラフ畳み込みニューラルネットワークを通過して分類スコアを取得する。また,グラフニューラルネットワークにおける空間的およびスペクトル的畳み込みフィルタリング手法の解析を行った。スペクトルモデルの方が空間モデルや従来のCNNよりも計算コストが低い。

関連論文リスト

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)
Graph Neural Networks for Image Classification and Reinforcement Learning using Graph representations [15.256931959393803]
我々は,コンピュータビジョンと強化学習という2つの異なる領域において,グラフニューラルネットワークの性能を評価する。コンピュータビジョンのセクションでは、グラフとしての画像に対する新しい非冗長表現が、グラフレベルの予測グラフ、特に画像分類において、自明なピクセルからノードマッピングへの性能向上を図っている。強化学習部では,グラフ問題としてルービックキューブの解法を明示的にモデル化することで,帰納バイアスのない標準モデルフリー手法の性能向上を図っている。
論文参考訳（メタデータ） (2022-03-07T15:16:31Z)
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)
Graph Neural Networks with Adaptive Frequency Response Filter [55.626174910206046]
適応周波数応答フィルタを用いたグラフニューラルネットワークフレームワークAdaGNNを開発した。提案手法の有効性を,様々なベンチマークデータセット上で実証的に検証した。
論文参考訳（メタデータ） (2021-04-26T19:31:21Z)
Variational models for signal processing with Graph Neural Networks [3.5939555573102853]
本稿では,ニューラルネットワークを用いた点雲の信号処理について述べる。本研究では,このようなグラフニューラルネットワークの変分モデルを用いて,教師なし学習のためのグラフ上の信号を処理する方法を検討する。
論文参考訳（メタデータ） (2021-03-30T13:31:11Z)
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)
Unrolling of Deep Graph Total Variation for Image Denoising [106.93258903150702]
本稿では,従来のグラフ信号フィルタリングと深い特徴学習を併用して,競合するハイブリッド設計を提案する。解釈可能な低パスグラフフィルタを用い、最先端のDL復調方式DnCNNよりも80%少ないネットワークパラメータを用いる。
論文参考訳（メタデータ） (2020-10-21T20:04:22Z)
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)
Analyzing Neural Networks Based on Random Graphs [77.34726150561087]
様々なタイプのランダムグラフに対応するアーキテクチャを用いて,ニューラルネットワークの大規模評価を行う。古典的な数値グラフ不変量は、それ自体が最良のネットワークを選び出すことができない。また、主に短距離接続を持つネットワークは、多くの長距離接続が可能なネットワークよりも性能が良いことも見出した。
論文参考訳（メタデータ） (2020-02-19T11:04:49Z)
Superpixel Image Classification with Graph Attention Networks [4.714325419968082]
本稿では,グラフニューラルネットワーク(GNN)モデルを用いた画像分類手法を提案する。入力画像を領域隣接グラフ (RAG) に変換する。グラフ畳み込みと自己アテンション機構を組み合わせたグラフアテンションネットワーク(GAT)は、他のGNNモデルより優れていることを実験的に示唆している。
論文参考訳（メタデータ） (2020-02-13T14:52:32Z)

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。