論文の概要: OpenGlue: Open Source Graph Neural Net Based Pipeline for Image Matching

• arxiv url: http://arxiv.org/abs/2204.08870v1
• Date: Tue, 19 Apr 2022 13:11:16 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-20 17:12:27.039032
• Title: OpenGlue: Open Source Graph Neural Net Based Pipeline for Image Matching
• Title（参考訳）: OpenGlue: 画像マッチングのためのオープンソースのグラフニューラルネットワークベースのパイプライン
• Authors: Ostap Viniavskyi and Mariia Dobko and Dmytro Mishkin and Oles Dobosevych
• Abstract要約: OpenGlueは、SuperGlue citesarlin20superglueにインスパイアされた、画像マッチングのための無償のオープンソースフレームワークである。 局所的特徴尺度,向き,アフィン幾何などの付加的な幾何学的情報を含めれば,利用可能な場合,OpenGlue整形器の性能が大幅に向上することを示す。 さまざまなローカル機能のためのコードと事前訓練されたOpenGlueモデルが公開されている。
• 参考スコア（独自算出の注目度）: 3.2307366446033945
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present OpenGlue: a free open-source framework for image matching, that uses a Graph Neural Network-based matcher inspired by SuperGlue \cite{sarlin20superglue}. We show that including additional geometrical information, such as local feature scale, orientation, and affine geometry, when available (e.g. for SIFT features), significantly improves the performance of the OpenGlue matcher. We study the influence of the various attention mechanisms on accuracy and speed. We also present a simple architectural improvement by combining local descriptors with context-aware descriptors. The code and pretrained OpenGlue models for the different local features are publicly available.
• Abstract（参考訳）: 我々は、SuperGlue \cite{sarlin20superglue}にインスパイアされたグラフニューラルネットワークベースのマッチングを使用する、画像マッチングのための無償のオープンソースフレームワークOpenGlueを提案する。 局所的特徴尺度,向き,アフィン幾何などの付加的な幾何学的情報を含む場合(例えばSIFT特徴量)、OpenGlue整形器の性能が大幅に向上することを示す。 種々の注意機構が精度と速度に与える影響について検討する。 また,ローカルディスクリプタとコンテキスト認識ディスクリプタを組み合わせることで,シンプルなアーキテクチャ改善を提案する。 さまざまなローカル機能のためのコードと事前訓練されたOpenGlueモデルが公開されている。

関連論文リスト

• Graph Pooling via Ricci Flow [1.1126342180866644]
  グラフプーリング演算子(ORC-Pool)を導入し,Ollivierの離散リッチ曲率とそれに付随する幾何流によるグラフの幾何学的特徴付けを利用する。 ORC-Poolはそのようなクラスタリングアプローチを属性付きグラフに拡張し、幾何学的粗大化をプール層としてグラフニューラルネットワークに統合する。
  論文  参考訳（メタデータ） (2024-07-05T03:26:37Z)
• OpenGraph: Open-Vocabulary Hierarchical 3D Graph Representation in Large-Scale Outdoor Environments [22.49556356611447]
  大規模屋外環境を対象とした最初のオープン語彙階層グラフ表現であるOpenGraphを提案する。 OpenGraphは、画像からインスタンスとキャプションを抽出し、それらをエンコードすることでテキスト推論を強化する。 イメージをLiDARポイントクラウドに投影することで,機能埋め込みによる3Dインクリメンタルなオブジェクト中心マッピングを実現している。
  論文  参考訳（メタデータ） (2024-03-14T14:03:29Z)
• OpenGSL: A Comprehensive Benchmark for Graph Structure Learning [40.50100033304329]
  グラフ構造学習(GSL)の最初の包括的なベンチマークであるOpenGSLを紹介する。 OpenGSLは、様々な一般的なデータセットで評価することで、最先端のGSLメソッドの公平な比較を可能にする。 学習した構造のホモフィリィとタスクパフォーマンスとの間に有意な相関は見られず、共通の信念に挑戦する。
  論文  参考訳（メタデータ） (2023-06-17T07:22:25Z)
• Image as Set of Points [60.30495338399321]
  コンテキストクラスタ(CoC)は、イメージを非組織的なポイントの集合と見なし、単純化されたクラスタリングアルゴリズムによって特徴を抽出する。 われわれのCoCは畳み込みと無注意で、空間的相互作用のためのクラスタリングアルゴリズムにのみ依存している。
  論文  参考訳（メタデータ） (2023-03-02T18:56:39Z)
• EGRC-Net: Embedding-induced Graph Refinement Clustering Network [66.44293190793294]
  埋め込みによるグラフリファインメントクラスタリングネットワーク (EGRC-Net) という新しいグラフクラスタリングネットワークを提案する。 EGRC-Netは学習した埋め込みを利用して初期グラフを適応的に洗練し、クラスタリング性能を向上させる。 提案手法はいくつかの最先端手法より一貫して優れている。
  論文  参考訳（メタデータ） (2022-11-19T09:08:43Z)
• Vision GNN: An Image is Worth Graph of Nodes [49.3335689216822]
  本稿では,画像をグラフ構造として表現し,視覚タスクのためのグラフレベルの特徴を抽出するビジョンGNN(ViG)アーキテクチャを提案する。 画像のグラフ表現に基づいて、すべてのノード間で情報を変換、交換するViGモデルを構築します。 画像認識および物体検出タスクに関する大規模な実験は、我々のViGアーキテクチャの優位性を実証している。
  論文  参考訳（メタデータ） (2022-06-01T07:01:04Z)
• Local Augmentation for Graph Neural Networks [78.48812244668017]
  本稿では,局所的な部分グラフ構造によりノード特性を向上する局所拡張を提案する。 局所的な拡張に基づいて、プラグイン・アンド・プレイ方式で任意のGNNモデルに適用可能な、LA-GNNという新しいフレームワークをさらに設計する。
  論文  参考訳（メタデータ） (2021-09-08T18:10:08Z)
• Pointspectrum: Equivariance Meets Laplacian Filtering for Graph Representation Learning [3.7875603451557063]
  グラフ表現学習(GRL)は、現代のグラフデータマイニングおよび学習タスクに欠かせないものとなっている。 グラフニューラルネットワーク(GNN)は最先端のGRLアーキテクチャで使用されているが、過度なスムース化に悩まされていることが示されている。 本稿では,グラフの構造を考慮に入れたスペクトル法であるPointSpectrumを提案する。
  論文  参考訳（メタデータ） (2021-09-06T10:59:11Z)
• 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)
• Graph Neural Networks with Composite Kernels [60.81504431653264]
  カーネル重み付けの観点からノード集約を再解釈する。 本稿では,アグリゲーション方式における特徴類似性を考慮したフレームワークを提案する。 特徴空間における特徴類似性をエンコードするために,元の隣り合うカーネルと学習可能なカーネルの合成として特徴集約を提案する。
  論文  参考訳（メタデータ） (2020-05-16T04:44:29Z)

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。