論文の概要: Generating Topological Structure of Floorplans from Room Attributes

• arxiv url: http://arxiv.org/abs/2204.12338v1
• Date: Tue, 26 Apr 2022 14:24:58 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-27 17:00:02.824773
• Title: Generating Topological Structure of Floorplans from Room Attributes
• Title（参考訳）: 室内属性からのフロアプランのトポロジー構造の生成
• Authors: Yin Yu, Hutchcroft Will, Khosravan Naji, Boyadzhiev Ivaylo, Fu Yun, Kang Sing Bing
• Abstract要約: 反復型および適応型グラフトポロジ学習(ITL)を用いて,部屋属性からトポロジ情報を抽出することを提案する。 ITLは部屋間の複数の関係を徐々に予測し、各イテレーションでノードの埋め込みを改善し、それによってより優れたトポロジグラフ構造を生成する。
• 参考スコア（独自算出の注目度）: 4.1715767752637145
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Analysis of indoor spaces requires topological information. In this paper, we propose to extract topological information from room attributes using what we call Iterative and adaptive graph Topology Learning (ITL). ITL progressively predicts multiple relations between rooms; at each iteration, it improves node embeddings, which in turn facilitates generation of a better topological graph structure. This notion of iterative improvement of node embeddings and topological graph structure is in the same spirit as \cite{chen2020iterative}. However, while \cite{chen2020iterative} computes the adjacency matrix based on node similarity, we learn the graph metric using a relational decoder to extract room correlations. Experiments using a new challenging indoor dataset validate our proposed method. Qualitative and quantitative evaluation for layout topology prediction and floorplan generation applications also demonstrate the effectiveness of ITL.
• Abstract（参考訳）: 屋内空間の分析には位相情報が必要である。 本稿では,反復型および適応型グラフトポロジー学習(itl)を用いて,部屋属性から位相情報を抽出することを提案する。 ITLは部屋間の複数の関係を徐々に予測し、各イテレーションでノードの埋め込みを改善し、それによってより優れたトポロジグラフ構造を生成する。 ノード埋め込みと位相グラフ構造を反復的に改善するというこの概念は、 \cite{chen2020iterative} と同じ精神である。 しかし,「cite{chen2020iterative}」はノード類似性に基づいて隣接行列を演算するが,関係デコーダを用いてグラフ計量を学習し,室内相関を抽出する。 新しい挑戦的屋内データセットを用いた実験により,提案手法が検証された。 レイアウトトポロジー予測およびフロアプラン生成アプリケーションの質的・定量的評価もitlの有効性を示す。

関連論文リスト

• Topology-aware Reinforcement Feature Space Reconstruction for Graph Data [22.5530178427691]
  優れた機能領域の再構築は、データのAI能力の向上、モデルの一般化の改善、下流MLモデルの可用性の向上に不可欠である。 我々は、トポロジ対応強化学習を用いて、グラフデータの特徴空間再構成を自動化し、最適化する。 提案手法では,コア部分グラフ抽出とグラフニューラルネットワーク(GNN)の併用により,トポロジ的特徴を符号化し,計算複雑性を低減する。
  論文  参考訳（メタデータ） (2024-11-08T18:01:05Z)
• Metric-Semantic Factor Graph Generation based on Graph Neural Networks [0.0]
  屋内では、平面の相対的な位置決めのような空間的制約は、レイアウトのばらつきにもかかわらず一貫している。 本稿では,部屋や壁といった高レベルな概念を表現することによって,これらの不変関係をグラフSLAMフレームワークで捉える方法について検討する。 いくつかの取り組みは、各概念生成のためのアドホックなソリューションと、手動で定義された要素によってこの問題に対処してきた。 本稿では,意味的シーングラフの定義,幾何学的情報の統合,相互接続因子の学習を含む,距離-意味因子グラフ生成のための新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-09-18T13:24:44Z)
• 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)
• Deep Manifold Graph Auto-Encoder for Attributed Graph Embedding [51.75091298017941]
  本稿では,属性付きグラフデータに対する新しいDeep Manifold (Variational) Graph Auto-Encoder (DMVGAE/DMGAE)を提案する。 提案手法は,最先端のベースラインアルゴリズムを,一般的なデータセット間でのダウンストリームタスクの差を大きく越える。
  論文  参考訳（メタデータ） (2024-01-12T17:57:07Z)
• Improving embedding of graphs with missing data by soft manifolds [51.425411400683565]
  グラフ埋め込みの信頼性は、連続空間の幾何がグラフ構造とどの程度一致しているかに依存する。 我々は、この問題を解決することができる、ソフト多様体と呼ばれる新しい多様体のクラスを導入する。 グラフ埋め込みにソフト多様体を用いることで、複雑なデータセット上のデータ解析における任意のタスクを追求するための連続空間を提供できる。
  論文  参考訳（メタデータ） (2023-11-29T12:48:33Z)
• Optimality of Message-Passing Architectures for Sparse Graphs [13.96547777184641]
  スパース設定における特徴デコレーショングラフ上のノード分類問題、すなわちノードの期待次数がノード数で$O(1)$である場合について検討する。 局所ベイズ最適性(英語版)と呼ばれるノード分類タスクに対するベイズ最適性(英語版)の概念を導入する。 最適なメッセージパッシングアーキテクチャは,低グラフ信号のレギュレーションにおける標準と高グラフ信号のレギュレーションにおける典型とを補間することを示す。
  論文  参考訳（メタデータ） (2023-05-17T17:31:20Z)
• Alleviating neighbor bias: augmenting graph self-supervise learning with structural equivalent positive samples [1.0507062889290775]
  グラフ表現学習のための信号駆動型自己教師方式を提案する。 トポロジカル情報誘導構造等価サンプリング戦略を用いる。 その結果,モデルの性能を効果的に改善できることが示唆された。
  論文  参考訳（メタデータ） (2022-12-08T16:04:06Z)
• Optimal Propagation for Graph Neural Networks [51.08426265813481]
  最適グラフ構造を学習するための二段階最適化手法を提案する。 また、時間的複雑さをさらに軽減するために、低ランク近似モデルについても検討する。
  論文  参考訳（メタデータ） (2022-05-06T03:37:00Z)
• Learning to Learn Graph Topologies [27.782971146122218]
  ノードデータからグラフ構造へのマッピングを学習する(L2O)。 このモデルは、ノードデータとグラフサンプルのペアを使ってエンドツーエンドでトレーニングされる。 合成データと実世界のデータの両方の実験により、我々のモデルは、特定のトポロジ特性を持つグラフを学習する際の古典的反復アルゴリズムよりも効率的であることが示された。
  論文  参考訳（メタデータ） (2021-10-19T08:42:38Z)
• Structured Graph Learning for Clustering and Semi-supervised Classification [74.35376212789132]
  データの局所構造とグローバル構造の両方を保存するためのグラフ学習フレームワークを提案する。 本手法は, サンプルの自己表現性を利用して, 局所構造を尊重するために, 大域的構造と適応的隣接アプローチを捉える。 我々のモデルは、ある条件下でのカーネルk平均法とk平均法の組合せと等価である。
  論文  参考訳（メタデータ） (2020-08-31T08:41:20Z)
• Building powerful and equivariant graph neural networks with structural message-passing [74.93169425144755]
  本稿では,2つのアイデアに基づいた,強力かつ同変なメッセージパッシングフレームワークを提案する。 まず、各ノードの周囲の局所的コンテキスト行列を学習するために、特徴に加えてノードの1ホット符号化を伝搬する。 次に,メッセージのパラメトリゼーション手法を提案する。
  論文  参考訳（メタデータ） (2020-06-26T17:15:16Z)

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。