Fugu-MT 論文翻訳(概要): GAT-CADNet: Graph Attention Network for Panoptic Symbol Spotting in CAD Drawings

論文の概要: GAT-CADNet: Graph Attention Network for Panoptic Symbol Spotting in CAD Drawings

arxiv url: http://arxiv.org/abs/2201.00625v1
Date: Mon, 3 Jan 2022 13:08:28 GMT
ステータス: 処理完了
システム内更新日: 2022-01-04 16:34:47.905028
Title: GAT-CADNet: Graph Attention Network for Panoptic Symbol Spotting in CAD Drawings
Title（参考訳）: GAT-CADNet:CAD描画におけるパノプティカルシンボルスポッティングのためのグラフ注意ネットワーク
Authors: Zhaohua Zheng, Jianfang Li
Abstract要約: コンピュータ支援設計(CAD)図面からグラフィカルシンボルを抽出することは、多くの産業アプリケーションにとって不可欠である。本稿では,各CAD描画をグラフとして扱うことにより,新しいグラフ注意ネットワークGAT-CADNetを提案する。提案したGAT-CADNetは直感的だが有効であり, 一つの統合ネットワークにおける汎視的シンボルスポッティング問題の解決に成功している。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Spotting graphical symbols from the computer-aided design (CAD) drawings is essential to many industrial applications. Different from raster images, CAD drawings are vector graphics consisting of geometric primitives such as segments, arcs, and circles. By treating each CAD drawing as a graph, we propose a novel graph attention network GAT-CADNet to solve the panoptic symbol spotting problem: vertex features derived from the GAT branch are mapped to semantic labels, while their attention scores are cascaded and mapped to instance prediction. Our key contributions are three-fold: 1) the instance symbol spotting task is formulated as a subgraph detection problem and solved by predicting the adjacency matrix; 2) a relative spatial encoding (RSE) module explicitly encodes the relative positional and geometric relation among vertices to enhance the vertex attention; 3) a cascaded edge encoding (CEE) module extracts vertex attentions from multiple stages of GAT and treats them as edge encoding to predict the adjacency matrix. The proposed GAT-CADNet is intuitive yet effective and manages to solve the panoptic symbol spotting problem in one consolidated network. Extensive experiments and ablation studies on the public benchmark show that our graph-based approach surpasses existing state-of-the-art methods by a large margin.
Abstract（参考訳）: コンピュータ支援設計(cad)の図面からグラフィカルシンボルを見つけることは、多くの産業応用に不可欠である。ラスター画像と異なり、cad描画はセグメント、弧、円といった幾何学的プリミティブからなるベクトルグラフィックスである。本稿では,各CAD図面をグラフとして扱うことにより,GAT-CADNetという新しいグラフアテンションネットワークを提案し,GATブランチから派生した頂点特徴をセマンティックラベルにマッピングし,注目スコアをカスケードしてインスタンス予測にマッピングする。私たちの重要な貢献は3倍です。 1) インスタンスシンボルスポッティングタスクは,サブグラフ検出問題として定式化し,隣接行列を予測して解決する。 2 相対空間符号化(RSE)モジュールは、頂点の相対的な位置及び幾何学的関係を明示的に符号化し、頂点の注意を高める。 3)カスケードエッジ符号化(CEE)モジュールは,GATの複数の段階から頂点注意を抽出し,それをエッジ符号化として扱い,隣接行列を予測する。提案したGAT-CADNetは直感的だが有効であり, 一つの統合ネットワークにおける汎視的シンボルスポッティング問題を解決する。公開ベンチマークにおける広範な実験とアブレーションの研究は、グラフベースのアプローチが既存の最先端の手法を大きく上回っていることを示している。

関連論文リスト

Pixel-Wise Symbol Spotting via Progressive Points Location for Parsing CAD Images [1.5736099356327244]
本稿では,CAD図面から変換されたCAD画像からシンボルをラベル付けし,配置する。 CAD画像からシンボルをスポッティングする利点は、ラベル付けの低要件と低コストのアノテーションにある。キーポイント検出に基づいて,CAD画像中の矩形記号を再描画するシンボルグループ化手法を提案する。
論文参考訳（メタデータ） (2024-04-17T01:35:52Z)
Symbol as Points: Panoptic Symbol Spotting via Point-based Representation [18.61469313164712]
本研究は,コンピュータ支援設計(CAD)図面におけるパノプティカルシンボルスポッティングの問題について考察する。我々は、グラフィックプリミティブを局所的に連結された2D点の集合として扱う別のアプローチをとる。具体的には、点変換器を用いて原始的な特徴を抽出し、マスク2フォルマーのようなスポッティングヘッドを付加して最終的な出力を予測する。
論文参考訳（メタデータ） (2024-01-19T08:44:52Z)
Graph Transformer GANs with Graph Masked Modeling for Architectural Layout Generation [153.92387500677023]
本稿では,グラフノード関係を効果的に学習するために,GTGAN(Graph Transformer Generative Adversarial Network)を提案する。提案したグラフ変換器エンコーダは、局所的およびグローバルな相互作用をモデル化するために、Transformer内のグラフ畳み込みと自己アテンションを組み合わせる。また,グラフ表現学習のための自己指導型事前学習手法を提案する。
論文参考訳（メタデータ） (2024-01-15T14:36:38Z)
BOURNE: Bootstrapped Self-supervised Learning Framework for Unified Graph Anomaly Detection [50.26074811655596]
自己指導型自己学習(BOURNE)に基づく新しい統合グラフ異常検出フレームワークを提案する。ノードとエッジ間のコンテキスト埋め込みを交換することで、ノードとエッジの異常を相互に検出できる。 BOURNEは、負のサンプリングを必要としないため、大きなグラフを扱う際の効率を高めることができる。
論文参考訳（メタデータ） (2023-07-28T00:44:57Z)
Graph Spectral Embedding using the Geodesic Betweeness Centrality [76.27138343125985]
本稿では、局所的な類似性、接続性、グローバル構造を教師なしで表現するグラフSylvester Embedding (GSE)を紹介する。 GSEはシルヴェスター方程式の解を用いて、ネットワーク構造と近傍の近接を1つの表現で捉える。
論文参考訳（メタデータ） (2022-05-07T04:11:23Z)
SSR-GNNs: Stroke-based Sketch Representation with Graph Neural Networks [34.759306840182205]
本稿では,スケッチにおけるストローク情報,すなわちスケッチの一部が頂点にエンコードされ,エッジ上のストローク間情報であるスケッチのグラフ表現について検討する。結果のグラフ表現は、分類タスクのためのグラフニューラルネットワークのトレーニングを容易にする。提案した表現は,既存のデータセットから分離可能ながら,構造的に類似した斬新なスケッチの生成を可能にする。
論文参考訳（メタデータ） (2022-04-27T19:18:01Z)
Two-Stream Graph Convolutional Network for Intra-oral Scanner Image Segmentation [133.02190910009384]
本稿では,2ストリームグラフ畳み込みネットワーク(TSGCN)を提案する。 TSGCNは3次元歯(表面)セグメンテーションにおいて最先端の方法よりも優れています。
論文参考訳（メタデータ） (2022-04-19T10:41:09Z)
MGAE: Masked Autoencoders for Self-Supervised Learning on Graphs [55.66953093401889]
Masked Graph Autoencoder (MGAE) フレームワークは、グラフ構造データの効果的な学習を行う。自己指導型学習から洞察を得て、私たちはランダムに大量のエッジを隠蔽し、トレーニング中に欠落したエッジを再構築しようとします。
論文参考訳（メタデータ） (2022-01-07T16:48:07Z)
FloorPlanCAD: A Large-Scale CAD Drawing Dataset for Panoptic Symbol Spotting [38.987494792258694]
FloorPlanCADは1万以上のフロアプランを含む大規模実世界のCAD描画データセットである。グラフ畳み込みニューラルネットワーク(GCN)と畳み込みニューラルネットワーク(CNN)を組み合わせた新しい手法を提案する。提案したCNN-GCN法は意味記号スポッティングのタスクにおいて最先端(SOTA)性能を達成した。
論文参考訳（メタデータ） (2021-05-15T06:01:11Z)
Spatial-spectral Hyperspectral Image Classification via Multiple Random Anchor Graphs Ensemble Learning [88.60285937702304]
本稿では,複数のランダムアンカーグラフアンサンブル学習(RAGE)を用いた空間スペクトルHSI分類手法を提案する。まず、各選択されたバンドのより記述的な特徴を抽出し、局所的な構造と領域の微妙な変化を保存するローカルバイナリパターンを採用する。次に,アンカーグラフの構成に適応隣接代入を導入し,計算複雑性を低減した。
論文参考訳（メタデータ） (2021-03-25T09:31:41Z)
Adaptive Graph Convolutional Network with Attention Graph Clustering for Co-saliency Detection [35.23956785670788]
注目グラフクラスタリング(GCAGC)を用いた新しい適応グラフ畳み込みネットワークを提案する。注意グラフクラスタリングアルゴリズムを開発し、教師なしの方法で全前景オブジェクトから共通オブジェクトを識別する。提案手法を3つのコサリエンシ検出ベンチマークデータセット上で評価した。
論文参考訳（メタデータ） (2020-03-13T09:35:59Z)

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。