論文の概要: Multi-Task Classification of Sewer Pipe Defects and Properties using a
Cross-Task Graph Neural Network Decoder
- arxiv url: http://arxiv.org/abs/2111.07846v1
- Date: Mon, 15 Nov 2021 15:36:50 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-16 16:09:39.704101
- Title: Multi-Task Classification of Sewer Pipe Defects and Properties using a
Cross-Task Graph Neural Network Decoder
- Title（参考訳）: クロスタスクグラフニューラルネットワークデコーダを用いた下水道管欠陥と特性のマルチタスク分類
- Authors: Joakim Bruslund Haurum, Meysam Madadi, Sergio Escalera, Thomas B.
Moeslund
- Abstract要約: 我々は、新しいデコーダ指向マルチタスク分類アーキテクチャ、クロスタスクグラフニューラルネットワーク(CT-GNN)を提案する。
CT-GNNは、クロスタスク情報を用いてタスクごとの解離予測を洗練する。
我々は,Swer-MLデータセットの4つの分類タスクすべてに対して,最先端のパフォーマンスを実現する。
- 参考スコア（独自算出の注目度）: 56.673599764041384
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The sewerage infrastructure is one of the most important and expensive
infrastructures in modern society. In order to efficiently manage the sewerage
infrastructure, automated sewer inspection has to be utilized. However, while
sewer defect classification has been investigated for decades, little attention
has been given to classifying sewer pipe properties such as water level, pipe
material, and pipe shape, which are needed to evaluate the level of sewer pipe
deterioration.
In this work we classify sewer pipe defects and properties concurrently and
present a novel decoder-focused multi-task classification architecture
Cross-Task Graph Neural Network (CT-GNN), which refines the disjointed per-task
predictions using cross-task information. The CT-GNN architecture extends the
traditional disjointed task-heads decoder, by utilizing a cross-task graph and
unique class node embeddings. The cross-task graph can either be determined a
priori based on the conditional probability between the task classes or
determined dynamically using self-attention. CT-GNN can be added to any
backbone and trained end-to-end at a small increase in the parameter count. We
achieve state-of-the-art performance on all four classification tasks in the
Sewer-ML dataset, improving defect classification and water level
classification by 5.3 and 8.0 percentage points, respectively. We also
outperform the single task methods as well as other multi-task classification
approaches while introducing 50 times fewer parameters than previous
model-focused approaches. The code and models are available at the project page
http://vap.aau.dk/ctgnn
- Abstract（参考訳）: 下水道インフラは現代社会で最も重要で高価なインフラの1つである。
下水道インフラを効率的に管理するためには, 自動下水道検査を活用しなければならない。
しかし, 数十年にわたって下水道の欠陥分類が検討されてきたが, 下水道管の劣化レベルを評価するために必要な水位, 管材, 管形状などの下水道管特性の分類には注目されていない。
本稿では,下水道管の欠陥と特性を同時に分類し,新しいデコーダ指向マルチタスク分類アーキテクチャであるクロスタスクグラフニューラルネットワーク(ct-gnn)を提案する。
ct-gnnアーキテクチャは、クロスタスクグラフとユニークなクラスノード埋め込みを利用することで、従来のタスクヘッドデコーダを拡張する。
クロスタスクグラフは、タスククラス間の条件付き確率に基づいて事前決定するか、セルフアテンションを用いて動的に決定できる。
CT-GNNは任意のバックボーンとトレーニングされたエンドツーエンドにパラメータカウントを少量増やすことができる。
下水道mlデータセットの4つの分類タスクすべてにおいて最先端の性能を達成し,欠陥分類と水位分類をそれぞれ5.3ポイント,8.0ポイント改善した。
また,従来のモデルに着目した手法の50倍のパラメータを導入しながら,単一タスク手法と他のマルチタスク分類手法よりも優れていた。
コードとモデルはプロジェクトページ http://vap.aau.dk/ctgnn
関連論文リスト
- Multi-label Sewer Pipe Defect Recognition with Mask Attention Feature Enhancement and Label Correlation Learning [5.9184143707401775]
マスク注意誘導特徴強調とラベル相関学習に基づくマルチラベルパイプ欠陥認識を提案する。
提案手法は,Swer-MLトレーニングデータセットの1/16のみを用いて,現在の最先端の分類性能を実現する。
論文 参考訳（メタデータ） (2024-08-01T11:51:50Z) - Dynamic Perceiver for Efficient Visual Recognition [87.08210214417309]
特徴抽出手順と早期分類タスクを分離する動的知覚器(Dyn-Perceiver)を提案する。
特徴ブランチは画像の特徴を抽出し、分類ブランチは分類タスクに割り当てられた遅延コードを処理する。
早期出口は分類枝に限られており、低レベルの特徴において線形分離性は不要である。
論文 参考訳（メタデータ） (2023-06-20T03:00:22Z) - Performance-aware Approximation of Global Channel Pruning for Multitask
CNNs [13.356477450355547]
グローバルチャネルプルーニング(GCP)は、異なるレイヤにわたるチャネル(フィルタ)のサブセットを、パフォーマンスを損なうことなく、ディープモデルから削除することを目的としている。
本稿では,PAGCP(Performance-Aware Global Channel Pruning)フレームワークを提案する。
複数のマルチタスクデータセットの実験により、提案されたPAGCPは、小さなパフォーマンス低下を伴ってFLOPとパラメータを60%以上削減できることが示された。
論文 参考訳（メタデータ） (2023-03-21T15:15:21Z) - FlowNAS: Neural Architecture Search for Optical Flow Estimation [65.44079917247369]
本研究では,フロー推定タスクにおいて,より優れたエンコーダアーキテクチャを自動で見つけるために,FlowNASというニューラルアーキテクチャ探索手法を提案する。
実験の結果、スーパーネットワークから受け継いだ重み付きアーキテクチャは、KITTI上で4.67%のF1-allエラーを達成していることがわかった。
論文 参考訳（メタデータ） (2022-07-04T09:05:25Z) - DOTIN: Dropping Task-Irrelevant Nodes for GNNs [119.17997089267124]
最近のグラフ学習アプローチでは、学習のためのグラフのサイズを減らすためのプール戦略が導入されている。
我々はDOTIN(underlineDrunderlineopping underlineTask-underlineIrrelevant underlineNodes)と呼ばれる新しいアプローチを設計し、グラフのサイズを減らす。
本手法は,グラフ分類やグラフ編集距離を含むグラフレベルのタスクにおいて,GATを約50%高速化する。
論文 参考訳（メタデータ） (2022-04-28T12:00:39Z) - Hierarchical Prototype Networks for Continual Graph Representation
Learning [90.78466005753505]
本稿では,連続的に拡張されたグラフを表現するために,プロトタイプの形式で抽象的な知識のレベルを抽出する階層型プロトタイプネットワーク(HPN)を提案する。
我々はHPNが最先端のベースライン技術を上回るだけでなく、メモリ消費も比較的少ないことを示した。
論文 参考訳（メタデータ） (2021-11-30T14:15:14Z) - Sewer-ML: A Multi-Label Sewer Defect Classification Dataset and
Benchmark [29.728476976320913]
画像に基づく下水道欠陥分類のための新しい多ラベル分類データセットであるSwer-MLを提案する。
このデータセットは、9年間に3つの異なるユーティリティ企業からプロの下水道検査官がアノテートした1300万枚の画像で構成されています。
また,性能評価のためのベンチマークアルゴリズムと新しい指標を提案する。
論文 参考訳（メタデータ） (2021-03-19T16:32:37Z) - Triplet-Watershed for Hyperspectral Image Classification [7.285139308970045]
深層学習ネットワークを訓練し,流域分類器に適した表現を得るための新しい手法を提案する。
このような特徴を生かして,三重項流域が最先端の成果を得られることを示す。
結果は、インド松(IP)、パヴィア大学(UP)、ケネディ宇宙センター(KSC)のデータセットで検証される。
論文 参考訳（メタデータ） (2021-03-17T01:06:49Z) - MTP: Multi-Task Pruning for Efficient Semantic Segmentation Networks [32.84644563020912]
セマンティックセグメンテーションネットワークのためのマルチタスクチャネルプルーニング手法を提案する。
各畳み込みフィルタの重要性は、任意の層のチャネルを分類と分割タスクによって同時に決定する。
いくつかのベンチマークによる実験結果は、最先端の刈り取り法よりも提案アルゴリズムの方が優れていることを示している。
論文 参考訳（メタデータ） (2020-07-16T15:03:01Z) - Pre-Trained Models for Heterogeneous Information Networks [57.78194356302626]
異種情報ネットワークの特徴を捉えるための自己教師付き事前学習・微調整フレームワークPF-HINを提案する。
PF-HINは4つのデータセットにおいて、各タスクにおける最先端の代替よりも一貫して、大幅に優れています。
論文 参考訳（メタデータ） (2020-07-07T03:36:28Z)
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。