論文の概要: Detecting Owner-member Relationship with Graph Convolution Network in Fisheye Camera System

• arxiv url: http://arxiv.org/abs/2201.12099v1
• Date: Fri, 28 Jan 2022 13:12:27 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-31 19:57:02.617501
• Title: Detecting Owner-member Relationship with Graph Convolution Network in Fisheye Camera System
• Title（参考訳）: 魚眼カメラシステムにおけるグラフ畳み込みネットワークによるオーナー・メンバー関係の検出
• Authors: Zizhang Wu, Jason Wang, Tianhao Xu, Fan Wang
• Abstract要約: 我々は,グラフ畳み込みネットワーク(GCN)を設計して,革新的な関係予測手法であるDeepWORDを提案する。 実験の結果,提案手法が最先端の精度と実時間性能を達成できることが判明した。
• 参考スコア（独自算出の注目度）: 9.665475078766017
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The owner-member relationship between wheels and vehicles contributes significantly to the 3D perception of vehicles, especially in embedded environments. However, to leverage this relationship we must face two major challenges: i) Traditional IoU-based heuristics have difficulty handling occluded traffic congestion scenarios. ii) The effectiveness and applicability of the solution in a vehicle-mounted system is difficult. To address these issues, we propose an innovative relationship prediction method, DeepWORD, by designing a graph convolutional network (GCN). Specifically, to improve the information richness, we use feature maps with local correlation as input to the nodes. Subsequently, we introduce a graph attention network (GAT) to dynamically correct the a priori estimation bias. Finally, we designed a dataset as a large-scale benchmark which has annotated owner-member relationship, called WORD. In the experiments we learned that the proposed method achieved state-of-the-art accuracy and real-time performance. The WORD dataset is made publicly available at https://github.com/NamespaceMain/ownermember-relationship-dataset.
• Abstract（参考訳）: 車輪と車両の所有者とメンバーの関係は、特に組込み環境での車両の3D知覚に大きく貢献する。 しかし、この関係を利用するには、2つの大きな課題に直面する必要がある。 i) 従来のiouベースのヒューリスティックは、交通渋滞シナリオの処理が困難である。 二 車両搭載システムにおけるソリューションの有効性及び適用性は困難である。 これらの問題に対処するために,グラフ畳み込みネットワーク(GCN)を設計し,新しい関係予測手法であるDeepWORDを提案する。 具体的には、情報豊かさを向上させるために、ノードへの入力として局所相関を持つ特徴マップを用いる。 次に,先行推定バイアスを動的に補正するグラフアテンションネットワーク(GAT)を導入する。 最後に、WORDと呼ばれる注釈付きオーナシップを持つ大規模ベンチマークとしてデータセットを設計した。 実験の結果,提案手法は最先端の精度と実時間性能を達成した。 WORDデータセットはhttps://github.com/NamespaceMain/ownermember-relationship-datasetで公開されている。

関連論文リスト

• GraphAD: Interaction Scene Graph for End-to-end Autonomous Driving [16.245949174447574]
  我々は,エゴ車両,道路エージェント,地図要素間の相互作用をモデル化するための統合手法として,インタラクションシーングラフ(ISG)を提案する。 提案手法をnuScenesデータセット上で評価した。
  論文  参考訳（メタデータ） (2024-03-28T02:22:28Z)
• Learnable Graph Matching: A Practical Paradigm for Data Association [74.28753343714858]
  これらの問題に対処するための一般的な学習可能なグラフマッチング法を提案する。 提案手法は,複数のMOTデータセット上での最先端性能を実現する。 画像マッチングでは,一般的な屋内データセットであるScanNetで最先端の手法より優れている。
  論文  参考訳（メタデータ） (2023-03-27T17:39:00Z)
• Geometric Deep Learning for Autonomous Driving: Unlocking the Power of Graph Neural Networks With CommonRoad-Geometric [6.638385593789309]
  不均一グラフは、複雑な相互作用効果をモデル化する能力を考えると、トラフィックに対して強力なデータ表現を提供する。 グラフニューラルネットワーク(GNN)が付随するディープラーニングフレームワークとして登場することにより、グラフ構造をさまざまな機械学習アプリケーションに効率的に活用することができる。 提案するPythonフレームワークは,トラフィックシナリオから標準化されたグラフデータセットを抽出する,使いやすく,完全にカスタマイズ可能なデータ処理パイプラインを提供する。
  論文  参考訳（メタデータ） (2023-02-02T17:45:02Z)
• Dynamic Graph Message Passing Networks for Visual Recognition [112.49513303433606]
  長距離依存のモデリングは、コンピュータビジョンにおけるシーン理解タスクに不可欠である。 完全連結グラフはそのようなモデリングには有益であるが、計算オーバーヘッドは禁じられている。 本稿では,計算複雑性を大幅に低減する動的グラフメッセージパッシングネットワークを提案する。
  論文  参考訳（メタデータ） (2022-09-20T14:41:37Z)
• RSG-Net: Towards Rich Sematic Relationship Prediction for Intelligent Vehicle in Complex Environments [72.04891523115535]
  本稿では,オブジェクトの提案から潜在的意味関係を予測するグラフ畳み込みネットワークRSG-Netを提案する。 実験の結果、このネットワークはロードシーングラフデータセットに基づいてトレーニングされており、エゴ車両周辺のオブジェクト間の潜在的な意味関係を効率的に予測できることがわかった。
  論文  参考訳（メタデータ） (2022-07-16T12:40:17Z)
• DeepWORD: A GCN-based Approach for Owner-Member Relationship Detection in Autonomous Driving [2.895229237964064]
  グラフ畳み込みネットワーク(GCN)の設計により, 革新的な関係予測手法であるDeepWORDを提案する。 具体的には,局所相関を持つ特徴マップをノードの入力として活用し,情報豊かさを向上させる。 大規模ベンチマークとしてWORDと呼ばれるアノテートされたオーナーとメンバーの関係データセットを確立します。
  論文  参考訳（メタデータ） (2021-03-30T06:12:29Z)
• Learning Intents behind Interactions with Knowledge Graph for Recommendation [93.08709357435991]
  知識グラフ(KG)は、推薦システムにおいてますます重要な役割を果たす。 既存のGNNベースのモデルは、きめ細かいインテントレベルでのユーザ項目関係の特定に失敗します。 本稿では,新しいモデルである知識グラフベースインテントネットワーク(kgin)を提案する。
  論文  参考訳（メタデータ） (2021-02-14T03:21:36Z)
• GPS-Net: Graph Property Sensing Network for Scene Graph Generation [91.60326359082408]
  シーングラフ生成(SGG)は、画像内のオブジェクトとそれらのペア関係を検出することを目的としている。 GPS-Netは、エッジ方向情報、ノード間の優先度の差、長期にわたる関係の分布という、SGGの3つの特性を網羅している。 GPS-Netは、VG、OI、VRDの3つの一般的なデータベース上での最先端のパフォーマンスを、さまざまな設定とメトリクスで大幅に向上させる。
  論文  参考訳（メタデータ） (2020-03-29T07:22:31Z)
• Mining Implicit Entity Preference from User-Item Interaction Data for Knowledge Graph Completion via Adversarial Learning [82.46332224556257]
  本稿では,知識グラフ補完タスクにおけるユーザインタラクションデータを活用することで,新たな逆学習手法を提案する。 我々のジェネレータはユーザインタラクションデータから分離されており、識別器の性能を向上させるのに役立ちます。 利用者の暗黙の実体的嗜好を発見するために,グラフニューラルネットワークに基づく精巧な協調学習アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2020-03-28T05:47:33Z)

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。