論文の概要: MC-DGCNN: A Novel DNN Architecture for Multi-Category Point Set
Classification
- arxiv url: http://arxiv.org/abs/2112.12219v1
- Date: Wed, 22 Dec 2021 20:45:24 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-24 14:24:51.043995
- Title: MC-DGCNN: A Novel DNN Architecture for Multi-Category Point Set
Classification
- Title（参考訳）: MC-DGCNN:マルチカテゴリ点集合分類のための新しいDNNアーキテクチャ
- Authors: Majid Farhadloo, Carl Molnar, Gaoxiang Luo, Yan Li, Shashi Shekhar,
Rachel L. Maus, Svetomir N. Markovic, Raymond Moore, and Alexey Leontovich
- Abstract要約: 点集合分類は、点集合データの空間的構成と分類的構成を区別する表現学習モデルを構築することを目的としている。
免疫学や微生物生態学といった多くの応用分野において、この問題は社会的に重要である。
我々は、動的グラフ畳み込みニューラルネットワーク(DGCNN)アーキテクチャを活用して、新しいマルチカテゴリDGCNN(MC-DGCNN)を設計する。
MC-DGCNNは各点対のカテゴリー的重要性を識別し、これをN方向空間関係に拡張する能力を持っている。
- 参考スコア（独自算出の注目度）: 3.8196096771272994
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Point set classification aims to build a representation learning model that
distinguishes between spatial and categorical configurations of point set data.
This problem is societally important since in many applications domains such as
immunology, and microbial ecology. This problem is challenging since the
interactions between different categories of points are not always equal; as a
result, the representation learning model must selectively learn the most
relevant multi-categorical relationships. The related works are limited (1) in
learning the importance of different multi-categorical relationships,
especially for high-order interactions, and (2) do not fully exploit the
spatial distribution of points beyond simply measuring relative distance or
applying a feed-forward neural network to coordinates. To overcome these
limitations, we leverage the dynamic graph convolutional neural network (DGCNN)
architecture to design a novel multi-category DGCNN (MC-DGCNN), contributing
location representation and point pair attention layers for multi-categorical
point set classification. MC-DGCNN has the ability to identify the categorical
importance of each point pair and extends this to N-way spatial relationships,
while still preserving all the properties and benefits of DGCNN (e.g.,
differentiability). Experimental results show that the proposed architecture is
computationally efficient and significantly outperforms current deep learning
architectures on real-world datasets.
- Abstract（参考訳）: ポイントセット分類は、ポイントセットデータの空間的およびカテゴリー的構成を区別する表現学習モデルを構築することを目的としている。
この問題は免疫学や微生物生態学といった多くの応用分野において社会的に重要である。
この問題は、点のカテゴリ間の相互作用が必ずしも等しいとは限らないため、表現学習モデルは最も関連する多カテゴリー関係を選択的に学習する必要がある。
関連研究は,(1) 異なる多カテゴリー関係,特に高次相互作用の重要性の学習において限定的であり,(2) 相対距離の測定やフィードフォワードニューラルネットワークの座標への応用以上の点の空間分布を十分に活用していない。
これらの制限を克服するために、動的グラフ畳み込みニューラルネットワーク(DGCNN)アーキテクチャを活用し、新しいマルチカテゴリDGCNN(MC-DGCNN)を設計し、複数カテゴリのポイントセット分類に位置表現とポイントペアアテンション層に寄与する。
MC-DGCNNは各点対のカテゴリー的重要性を識別し、これをN方向空間関係に拡張し、DGCNNのすべての特性と利点(例えば微分可能性)を保っている。
実験の結果,提案アーキテクチャは計算効率が高く,実世界のデータセット上でのディープラーニングアーキテクチャよりも大幅に優れていた。
関連論文リスト
- Hyperbolic Benchmarking Unveils Network Topology-Feature Relationship in GNN Performance [0.5416466085090772]
グラフ機械学習のための総合的なベンチマークフレームワークを導入する。
我々は,現実的なトポロジ特性とノード特徴ベクトルを持つ合成ネットワークを生成する。
その結果,ネットワーク構造とノード特徴間の相互作用にモデル性能が依存していることが明らかになった。
論文 参考訳（メタデータ） (2024-06-04T20:40:06Z) - Supervised Gradual Machine Learning for Aspect Category Detection [0.9857683394266679]
アスペクトカテゴリー検出(ACD)は、あるレビュー文の中で暗黙的かつ明示的な側面を識別することを目的としている。
本稿では,Deep Neural Networks (DNN) と Gradual Machine Learning (GML) を教師付き環境で組み合わせることで,ACDタスクに取り組む新しい手法を提案する。
論文 参考訳（メタデータ） (2024-04-08T07:21:46Z) - Multi-Scale Spatial-Temporal Self-Attention Graph Convolutional Networks for Skeleton-based Action Recognition [0.0]
本稿では,マルチスケール空間時間自己注意(MSST)-GCNという自己注意型GCNハイブリッドモデルを提案する。
適応トポロジを持つ空間自己保持モジュールを用いて、異なる身体部分間のフレーム内相互作用を理解するとともに、時間的自己保持モジュールを用いてノードのフレーム間の相関関係を調べる。
論文 参考訳（メタデータ） (2024-04-03T10:25:45Z) - Towards Spatially-Lucid AI Classification in Non-Euclidean Space: An
Application for MxIF Oncology Data [3.0566763412020714]
異なる場所タイプの複数カテゴリの点集合が与えられた場合、我々のゴールは空間分解型分類器を開発することである。
この問題は、腫瘍と腫瘍の関係を解析し、新しい免疫療法を設計するために、腫瘍学などの多くの応用において重要である。
我々は、重み付き距離学習率や空間領域適応など、異なるトレーニング戦略を明示的に用いた空間アンサンブルフレームワークを探索する。
論文 参考訳（メタデータ） (2024-02-22T21:22:21Z) - On Characterizing the Evolution of Embedding Space of Neural Networks
using Algebraic Topology [9.537910170141467]
特徴埋め込み空間のトポロジがベッチ数を介してよく訓練されたディープニューラルネットワーク(DNN)の層を通過するとき、どのように変化するかを検討する。
深度が増加するにつれて、トポロジカルに複雑なデータセットが単純なデータセットに変換され、ベッチ数はその最小値に達することが示される。
論文 参考訳（メタデータ） (2023-11-08T10:45:12Z) - Multilayer Multiset Neuronal Networks -- MMNNs [55.2480439325792]
本研究は,2層以上の類似性ニューロンを組み込んだ多層神経回路網について述べる。
また,回避すべき画像領域に割り当てられる反プロトタイプ点の利用についても検討した。
論文 参考訳（メタデータ） (2023-08-28T12:55:13Z) - Reinforced Neighborhood Selection Guided Multi-Relational Graph Neural
Networks [68.9026534589483]
RioGNNはReinforceed, recursive, flexible neighborhood selection guided multi-relational Graph Neural Network architectureである。
RioGNNは、各関係の個々の重要性の認識により、説明性を高めた差別的なノード埋め込みを学ぶことができる。
論文 参考訳（メタデータ） (2021-04-16T04:30:06Z) - Spatio-Temporal Inception Graph Convolutional Networks for
Skeleton-Based Action Recognition [126.51241919472356]
我々はスケルトンに基づく行動認識のためのシンプルで高度にモジュール化されたグラフ畳み込みネットワークアーキテクチャを設計する。
ネットワークは,空間的および時間的経路から多粒度情報を集約するビルディングブロックを繰り返すことで構築される。
論文 参考訳（メタデータ） (2020-11-26T14:43:04Z) - Multi-Level Graph Convolutional Network with Automatic Graph Learning
for Hyperspectral Image Classification [63.56018768401328]
HSI分類のための自動グラフ学習法(MGCN-AGL)を用いたマルチレベルグラフ畳み込みネットワーク(GCN)を提案する。
空間的に隣接する領域における重要度を特徴付けるために注意機構を利用することで、最も関連性の高い情報を適応的に組み込んで意思決定を行うことができる。
MGCN-AGLは局所的に生成した表現表現に基づいて画像領域間の長距離依存性を符号化する。
論文 参考訳（メタデータ） (2020-09-19T09:26:20Z) - When Residual Learning Meets Dense Aggregation: Rethinking the
Aggregation of Deep Neural Networks [57.0502745301132]
我々は,グローバルな残差学習と局所的なマイクロセンスアグリゲーションを備えた新しいアーキテクチャであるMicro-Dense Netsを提案する。
我々のマイクロセンスブロックはニューラルアーキテクチャ検索に基づくモデルと統合して性能を向上させることができる。
論文 参考訳（メタデータ） (2020-04-19T08:34:52Z) - Universal-RCNN: Universal Object Detector via Transferable Graph R-CNN [117.80737222754306]
我々はUniversal-RCNNと呼ばれる新しいユニバーサルオブジェクト検出器を提案する。
まず、すべてのカテゴリの高レベルなセマンティック表現を統合することで、グローバルなセマンティックプールを生成する。
ドメイン内推論モジュールは、空間認識GCNによってガイドされる1つのデータセット内のスパースグラフ表現を学習し、伝播する。
論文 参考訳（メタデータ） (2020-02-18T07:57:45Z)
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。