論文の概要: GROWL: Group Detection With Link Prediction
- arxiv url: http://arxiv.org/abs/2111.04397v1
- Date: Mon, 8 Nov 2021 11:52:48 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-09 17:12:44.811903
- Title: GROWL: Group Detection With Link Prediction
- Title（参考訳）: GROWL: Link Predictionによるグループ検出
- Authors: Viktor Schmuck, Oya Celiktutan
- Abstract要約: グラフニューラルネットワーク(GNN)に基づくグループ検出に対する総合的アプローチを提案する。
提案手法であるGROup Detection With Link Predictionは,GNNに基づく手法の有効性を実証する。
以上の結果から,GNNに基づくアプローチは,異なるカメラビューにおける精度を大幅に向上させることができることがわかった。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Interaction group detection has been previously addressed with bottom-up
approaches which relied on the position and orientation information of
individuals. These approaches were primarily based on pairwise affinity
matrices and were limited to static, third-person views. This problem can
greatly benefit from a holistic approach based on Graph Neural Networks (GNNs)
beyond pairwise relationships, due to the inherent spatial configuration that
exists between individuals who form interaction groups. Our proposed method,
GROup detection With Link prediction (GROWL), demonstrates the effectiveness of
a GNN based approach. GROWL predicts the link between two individuals by
generating a feature embedding based on their neighbourhood in the graph and
determines whether they are connected with a shallow binary classification
method such as Multi-layer Perceptrons (MLPs). We test our method against other
state-of-the-art group detection approaches on both a third-person view dataset
and a robocentric (i.e., egocentric) dataset. In addition, we propose a
multimodal approach based on RGB and depth data to calculate a representation
GROWL can utilise as input. Our results show that a GNN based approach can
significantly improve accuracy across different camera views, i.e.,
third-person and egocentric views.
- Abstract（参考訳）: インタラクショングループ検出は、これまで個人の位置と方向情報に依存するボトムアップアプローチで対処されてきた。
これらのアプローチは主にペア親和性行列に基づいており、静的な第三者の視点に限られていた。
この問題は、対関係を超えたグラフニューラルネットワーク(gnn)に基づく包括的アプローチから大きな恩恵を受ける可能性がある。
提案手法であるGROup Detection With Link Prediction (GROWL) は,GNNに基づく手法の有効性を示す。
GROWLは、グラフ内の近傍に基づいて特徴埋め込みを生成して2つの個人間のリンクを予測し、多層パーセプトロン(MLP)のような浅い二項分類手法と結びついているかどうかを決定する。
本手法は,サードパーティのビューデータセットとロボセントリックデータセット(すなわち,エゴセントリックデータセット)の両方において,最先端のグループ検出アプローチに対してテストを行う。
さらに,RGBと深度データに基づくマルチモーダル手法を提案し,GROWLが入力として利用できる表現を計算する。
以上の結果から,GNNに基づくアプローチは,異なるカメラビュー,すなわち3人称視点と自我中心視点における精度を著しく向上させることができることがわかった。
関連論文リスト
- Improving Link Prediction in Social Networks Using Local and Global
Features: A Clustering-based Approach [0.0]
本稿では,リンク予測問題に対処するため,第1グループと第2グループを組み合わせた手法を提案する。
提案手法は,まずノードの位置と動的挙動に関連する特徴を同定する。
そして、計算された類似度尺度に基づいて、サブスペースクラスタリングアルゴリズムをグループ社会オブジェクトに適用する。
論文 参考訳（メタデータ） (2023-05-17T14:45:02Z) - Rethinking the positive role of cluster structure in complex networks
for link prediction tasks [1.4695979686066065]
クラスタリングは、ノードの密結合したグループを見つけるネットワーク分析における問題である。
リンク予測は、ネットワーク内の2つのノードにリンクがあるかどうかを予測することである。
単純なクラスタリング駆動型リンク予測フレームワークを構築した。
論文 参考訳（メタデータ） (2022-11-04T12:02:40Z) - Interpolation-based Correlation Reduction Network for Semi-Supervised
Graph Learning [49.94816548023729]
補間型相関低減ネットワーク(ICRN)と呼ばれる新しいグラフコントラスト学習手法を提案する。
提案手法では,決定境界のマージンを大きくすることで,潜在特徴の識別能力を向上させる。
この2つの設定を組み合わせることで、豊富なラベル付きノードと稀に価値あるラベル付きノードから豊富な監視情報を抽出し、離散表現学習を行う。
論文 参考訳（メタデータ） (2022-06-06T14:26:34Z) - RU-Net: Regularized Unrolling Network for Scene Graph Generation [92.95032610978511]
シーングラフ生成(SGG)は、オブジェクトを検出し、各オブジェクト間の関係を予測することを目的としている。
既存のSGG法は,(1)あいまいな対象表現,2)関係予測の多様性の低下など,いくつかの問題に悩まされることが多い。
両問題に対処する正規化アンローリングネットワーク(RU-Net)を提案する。
論文 参考訳（メタデータ） (2022-05-03T04:21:15Z) - A Variational Edge Partition Model for Supervised Graph Representation
Learning [51.30365677476971]
本稿では,重なり合うノード群間の相互作用を集約することで,観測されたエッジがどのように生成されるかをモデル化するグラフ生成プロセスを提案する。
それぞれのエッジを複数のコミュニティ固有の重み付きエッジの和に分割し、コミュニティ固有のGNNを定義する。
エッジを異なるコミュニティに分割するGNNベースの推論ネットワーク,これらのコミュニティ固有のGNN,およびコミュニティ固有のGNNを最終分類タスクに組み合わせたGNNベースの予測器を共同で学習するために,変分推論フレームワークを提案する。
論文 参考訳（メタデータ） (2022-02-07T14:37:50Z) - 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) - Learning Spatial Context with Graph Neural Network for Multi-Person Pose
Grouping [71.59494156155309]
イメージベース多人数ポーズ推定のためのボトムアップ手法は,キーポイント検出とグループ化の2段階からなる。
本研究では,グラフ分割問題としてグループ化タスクを定式化し,グラフニューラルネットワーク(gnn)を用いて親和性行列を学習する。
学習された幾何学に基づく親和性は、強固なキーポイント結合を達成するために外観に基づく親和性とさらに融合する。
論文 参考訳（メタデータ） (2021-04-06T09:21:14Z) - DRG: Dual Relation Graph for Human-Object Interaction Detection [65.50707710054141]
人-物間相互作用(HOI)検出の課題に対処する。
既存の方法は、人間と物体の対の相互作用を独立に認識するか、複雑な外観に基づく共同推論を行う。
本稿では,抽象的空間意味表現を活用して,各対象対を記述し,二重関係グラフを用いてシーンの文脈情報を集約する。
論文 参考訳（メタデータ） (2020-08-26T17:59:40Z) - Learning to Cluster Faces via Confidence and Connectivity Estimation [136.5291151775236]
重複する部分グラフを多数必要とせず,完全に学習可能なクラスタリングフレームワークを提案する。
提案手法はクラスタリングの精度を大幅に向上させ,その上で訓練した認識モデルの性能を向上させるが,既存の教師付き手法に比べて桁違いに効率的である。
論文 参考訳（メタデータ） (2020-04-01T13:39:37Z)
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。