論文の概要: ReGroup: Recursive Neural Networks for Hierarchical Grouping of Vector Graphic Primitives

• arxiv url: http://arxiv.org/abs/2111.11759v1
• Date: Tue, 23 Nov 2021 10:13:04 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-25 00:14:52.647149
• Title: ReGroup: Recursive Neural Networks for Hierarchical Grouping of Vector Graphic Primitives
• Title（参考訳）: ReGroup: ベクトルグラフプリミティブの階層的グループ化のための再帰的ニューラルネットワーク
• Authors: Sumit Chaturvedi, Michal Luk\'a\v{c}, Siddhartha Chaudhuri
• Abstract要約: それぞれのベクトルプリミティブを含まないか除外するかという二項決定を下す。 理解不能なメタデータがないと、これは知覚的なグループ化問題となる。 ここでは、この問題にデータ中心のアプローチを取ります。 プロトタイプの選択ツールの基盤となる方法を紹介します。
• 参考スコア（独自算出の注目度）: 14.410224525503672
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Selection functionality is as fundamental to vector graphics as it is for raster data. But vector selection is quite different: instead of pixel-level labeling, we make a binary decision to include or exclude each vector primitive. In the absence of intelligible metadata, this becomes a perceptual grouping problem. These have previously relied on heuristics derived from empirical principles like Gestalt Theory, but since these are ill-defined and subjective, they often result in ambiguity. Here we take a data-centric approach to the problem. By exploiting the recursive nature of perceptual grouping, we interpret the task as constructing a hierarchy over the primitives of a vector graphic, which is amenable to learning with recursive neural networks with few human annotations. We verify this by building a dataset of these hierarchies on which we train a hierarchical grouping network. We then demonstrate how this can underpin a prototype selection tool.
• Abstract（参考訳）: 選択機能は、ラスタデータと同様にベクトルグラフィックスの基本である。 ピクセルレベルのラベリングの代わりに、各ベクトルプリミティブを含まないか排除するかという二項決定を下す。 理解可能なメタデータがない場合、これは知覚的なグループ化問題となる。 これらは以前はゲシュタルト理論のような経験的原理に由来するヒューリスティックスに依存しているが、それらは不定義で主観的であるため、しばしば曖昧さをもたらす。 ここでは、この問題にデータ中心のアプローチを取ります。 知覚的グループ化の帰納的性質を生かして、人間のアノテーションが少ない再帰的ニューラルネットワークで学習可能なベクトルグラフィックの原始的部分の階層構造を構築するものとして、タスクを解釈する。 階層的なグループネットワークをトレーニングするこれらの階層のデータセットを構築することで、これを検証します。 次に、プロトタイプ選択ツールの基盤となる方法を紹介します。

関連論文リスト

• Degree-based stratification of nodes in Graph Neural Networks [66.17149106033126]
  グラフニューラルネットワーク(GNN)アーキテクチャを変更して,各グループのノードに対して,重み行列を個別に学習する。 このシンプルな実装変更により、データセットとGNNメソッドのパフォーマンスが改善されているようだ。
  論文  参考訳（メタデータ） (2023-12-16T14:09:23Z)
• How Deep Neural Networks Learn Compositional Data: The Random Hierarchy Model [47.617093812158366]
  言語と画像の階層構造にインスパイアされた合成タスクのファミリーであるランダム階層モデルを紹介する。 深層ネットワークは、等価なグループを交換するために不変な内部表現を開発することでタスクを学習する。 この結果から, ネットワークは次元の呪いを克服し, 不変表現を構築できることが示唆された。
  論文  参考訳（メタデータ） (2023-07-05T09:11:09Z)
• The Group Loss++: A deeper look into group loss for deep metric learning [65.19665861268574]
  グループ損失 (Group Loss) は、グループの全サンプルに埋め込まれた類似性を強制する微分可能なラベルプロパゲーション法に基づく損失関数である。 4つのデータセットでクラスタリングと画像検索の最先端結果を示し、2人の再識別データセットで競合結果を示す。
  論文  参考訳（メタデータ） (2022-04-04T14:09:58Z)
• COLOGNE: Coordinated Local Graph Neighborhood Sampling [1.6498361958317633]
  グラフノードのような個別の未順序オブジェクトを実数値ベクトルで置き換えることは、グラフデータから学ぶための多くのアプローチの中心である。 ノードベクトル表現の座標がグラフノードであるような離散ノード埋め込みを学習する問題に対処する。 これにより、ノードにもともと存在するすべての属性が保存されているため、グラフの解釈可能な機械学習アルゴリズムを設計する扉が開く。
  論文  参考訳（メタデータ） (2021-02-09T11:39:06Z)
• Learning the Implicit Semantic Representation on Graph-Structured Data [57.670106959061634]
  グラフ畳み込みネットワークにおける既存の表現学習手法は主に、各ノードの近傍を知覚全体として記述することで設計される。 本稿では,グラフの潜在意味パスを学習することで暗黙的な意味を探索する意味グラフ畳み込みネットワーク(sgcn)を提案する。
  論文  参考訳（メタデータ） (2021-01-16T16:18:43Z)
• Scribble-Supervised Semantic Segmentation by Random Walk on Neural Representation and Self-Supervision on Neural Eigenspace [10.603823180750446]
  本研究の目的は, 補助情報や中間操作を使わずに, ラベルを直接スクリブルすることで, セマンティックセグメンテーションを実現することである。 我々は、ランダムウォークによる神経表現への拡散と、自己スーパービジョンによる神経固有空間への一貫性を課す。 その結果,提案手法の優位性が示され,フルラベルの教師付き手法に匹敵する結果が得られた。
  論文  参考訳（メタデータ） (2020-11-11T08:22:25Z)
• Towards Efficient Scene Understanding via Squeeze Reasoning [71.1139549949694]
  我々はSqueeze Reasoningと呼ばれる新しいフレームワークを提案する。 空間地図上の情報を伝播するのではなく、まず入力特徴をチャネルワイドなグローバルベクトルに絞ることを学ぶ。 提案手法はエンドツーエンドのトレーニングブロックとしてモジュール化可能であり,既存のネットワークに簡単に接続可能であることを示す。
  論文  参考訳（メタデータ） (2020-11-06T12:17:01Z)
• Quiver Signal Processing (QSP) [145.6921439353007]
  キーバー表現に関する信号処理フレームワークの基礎を述べる。 ネットワークにおける異種多次元情報を扱うための信号処理フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-10-22T08:40:15Z)
• Learning Functors using Gradient Descent [0.0]
  我々は、CycleGANと呼ばれるニューラルネットワークシステムの周りにカテゴリ理論のフォーマリズムを構築している。 サイクル整合性の強制は、このカテゴリーにおける構成不変量の強制に等しいことを示す。 我々は、ペアデータなしで画像からのオブジェクトの挿入と削除を学習できる新しいニューラルネットワークシステムを設計する。
  論文  参考訳（メタデータ） (2020-09-15T02:17:36Z)
• Self-Learning with Rectification Strategy for Human Parsing [73.06197841003048]
  擬似ラベルの2つの典型的な誤りを補正する訓練可能なグラフ推論法を提案する。 再構成された特徴は、人体のトポロジー構造を表現する能力が強い。 本手法は、教師付き人間の解析作業において、他の最先端手法よりも優れている。
  論文  参考訳（メタデータ） (2020-04-17T03:51:30Z)

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。