論文の概要: Visual Feature Encoding for GNNs on Road Networks

• arxiv url: http://arxiv.org/abs/2203.01187v1
• Date: Wed, 2 Mar 2022 15:37:50 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-03 19:59:56.213842
• Title: Visual Feature Encoding for GNNs on Road Networks
• Title（参考訳）: 道路網におけるGNNの視覚的特徴符号化
• Authors: Oliver Stromann, Alireza Razavi and Michael Felsberg
• Abstract要約: 視覚バックボーンネットワークとグラフニューラルネットワークを組み合わせたアーキテクチャを提案する。 衛星画像の符号化により,オープンストリートマップ道路網上で道路型分類タスクを行う。 アーキテクチャによりさらに微調整が可能となり,事前学習により伝達学習のアプローチが評価される。
• 参考スコア（独自算出の注目度）: 14.274582421372308
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this work, we present a novel approach to learning an encoding of visual features into graph neural networks with the application on road network data. We propose an architecture that combines state-of-the-art vision backbone networks with graph neural networks. More specifically, we perform a road type classification task on an Open Street Map road network through encoding of satellite imagery using various ResNet architectures. Our architecture further enables fine-tuning and a transfer-learning approach is evaluated by pretraining on the NWPU-RESISC45 image classification dataset for remote sensing and comparing them to purely ImageNet-pretrained ResNet models as visual feature encoders. The results show not only that the visual feature encoders are superior to low-level visual features, but also that the fine-tuning of the visual feature encoder to a general remote sensing dataset such as NWPU-RESISC45 can further improve the performance of a GNN on a machine learning task like road type classification.
• Abstract（参考訳）: 本稿では,道路網データに適用したグラフニューラルネットワークに視覚特徴のエンコードを学ぶための新しい手法を提案する。 本稿では,最先端のビジョンバックボーンネットワークとグラフニューラルネットワークを組み合わせたアーキテクチャを提案する。 より具体的には、様々なResNetアーキテクチャを用いて衛星画像の符号化により、オープンストリートマップ道路網上で道路型分類タスクを実行する。 リモートセンシングのためのNWPU-RESISC45画像分類データセットを事前学習し、それをImageNet-pretrained ResNetモデルと比較して視覚特徴エンコーダとして評価することにより、さらに微調整が可能となる。 その結果、視覚特徴エンコーダは低レベルの視覚的特徴よりも優れているだけでなく、NWPU-RESISC45のような一般的なリモートセンシングデータセットに対する視覚特徴エンコーダの微調整により、道路型分類のような機械学習タスクにおけるGNNの性能をさらに向上させることができることがわかった。

関連論文リスト

• Auto-Train-Once: Controller Network Guided Automatic Network Pruning from Scratch [72.26822499434446]
  オートトレインオース (Auto-Train-Once, ATO) は、DNNの計算コストと記憶コストを自動的に削減するために設計された、革新的なネットワークプルーニングアルゴリズムである。 総合的な収束解析と広範な実験を行い,本手法が様々なモデルアーキテクチャにおける最先端性能を実現することを示す。
  論文  参考訳（メタデータ） (2024-03-21T02:33:37Z)
• Moving Object Proposals with Deep Learned Optical Flow for Video Object Segmentation [1.551271936792451]
  我々は、移動オブジェクト提案(MOP)を得るために、ニューラルネットワークの最先端アーキテクチャを提案する。 まず、教師なし畳み込みニューラルネットワーク(UnFlow)をトレーニングし、光学的フロー推定を生成する。 次に、光学フローネットの出力を、完全に畳み込みのSegNetモデルに描画する。
  論文  参考訳（メタデータ） (2024-02-14T01:13:55Z)
• Hierarchical Graph Pattern Understanding for Zero-Shot VOS [102.21052200245457]
  本稿では、ゼロショットビデオオブジェクトセグメンテーション(ZS-VOS)のための新しい階層型グラフニューラルネットワーク(GNN)アーキテクチャを提案する。 構造的関係を捕捉するGNNの強い能力にインスパイアされたHGPUは、運動キュー(すなわち光の流れ)を革新的に活用し、ターゲットフレームの隣人からの高次表現を強化する。
  論文  参考訳（メタデータ） (2023-12-15T04:13:21Z)
• Set-based Neural Network Encoding [57.15855198512551]
  一般化性能予測のためのニューラルネットワーク重み符号化手法を提案する。 我々のアプローチは、混合アーキテクチャのモデル動物園でニューラルネットワークを符号化することができる。 ニューラルネットワークの一般化性能予測には,クロスデータセットとクロスアーキテクチャという2つの新しいタスクを導入する。
  論文  参考訳（メタデータ） (2023-05-26T04:34:28Z)
• Online Hybrid Lightweight Representations Learning: Its Application to Visual Tracking [42.49852446519412]
  本稿では,ストリーミングデータのための新しいハイブリッド表現学習フレームワークを提案する。 ビデオ内の画像フレームは、2つの異なるディープニューラルネットワークのアンサンブルによってモデル化される。 ハイブリッド表現手法をオンライン視覚追跡タスクに組み込む。
  論文  参考訳（メタデータ） (2022-05-23T10:31:14Z)
• All-optical graph representation learning using integrated diffractive photonic computing units [51.15389025760809]
  フォトニックニューラルネットワークは、電子の代わりに光子を用いて脳にインスパイアされた計算を行う。 我々は、DGNN(diffractive graph neural network)と呼ばれる全光グラフ表現学習アーキテクチャを提案する。 ベンチマークデータベースを用いたノードおよびグラフレベルの分類タスクにおけるDGNN抽出機能の利用を実演し、優れた性能を実現する。
  論文  参考訳（メタデータ） (2022-04-23T02:29:48Z)
• Learning to integrate vision data into road network data [14.86655504533083]
  道路ネットワークは、コネクテッドおよび自律走行車の中核となるインフラである。 本稿では、グラフニューラルネットワークによる埋め込みを改善するために、リモートセンシングビジョンデータをネットワークデータに統合することを提案する。 中国・成都市におけるOSM+Di Chuxingデータセットの最先端性能を実現した。
  論文  参考訳（メタデータ） (2021-12-20T15:38:49Z)
• Self-Denoising Neural Networks for Few Shot Learning [66.38505903102373]
  既存のニューラルアーキテクチャの複数の段階でノイズを追加すると同時に、この付加ノイズに対して堅牢であるように学習する新しいトレーニングスキームを提案する。 このアーキテクチャは、SDNN(Self-Denoising Neural Network)と呼ばれ、現代の畳み込みニューラルネットワークに容易に適用できます。
  論文  参考訳（メタデータ） (2021-10-26T03:28:36Z)
• Segmentation of Roads in Satellite Images using specially modified U-Net CNNs [0.0]
  本研究の目的は,道路画像の特定を行う都市景観の衛星画像の分類器を構築することである。 従来のコンピュータビジョンアルゴリズムとは異なり、畳み込みニューラルネットワーク(CNN)はこのタスクに対して正確で信頼性の高い結果を提供する。
  論文  参考訳（メタデータ） (2021-09-29T19:08:32Z)
• Dynamic Graph: Learning Instance-aware Connectivity for Neural Networks [78.65792427542672]
  動的グラフネットワーク(DG-Net)は完全な有向非巡回グラフであり、ノードは畳み込みブロックを表し、エッジは接続経路を表す。 ネットワークの同じパスを使用する代わりに、DG-Netは各ノードの機能を動的に集約する。
  論文  参考訳（メタデータ） (2020-10-02T16:50:26Z)
• Embedded Encoder-Decoder in Convolutional Networks Towards Explainable AI [0.0]
  本稿では,刺激の視覚的特徴を表す新しい説明可能な畳み込みニューラルネットワーク(XCNN)を提案する。 CIFAR-10, Tiny ImageNet, MNISTデータセットを用いた実験結果から, 提案アルゴリズム (XCNN) をCNNで説明可能なものにすることに成功した。
  論文  参考訳（メタデータ） (2020-06-19T15:49:39Z)

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。