論文の概要: Plane Geometry Diagram Parsing

• arxiv url: http://arxiv.org/abs/2205.09363v1
• Date: Thu, 19 May 2022 07:47:01 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-20 14:02:27.672649
• Title: Plane Geometry Diagram Parsing
• Title（参考訳）: 平面幾何学図解析
• Authors: Ming-Liang Zhang, Fei Yin, Yi-Han Hao, Cheng-Lin Liu
• Abstract要約: 深層学習とグラフ推論に基づく強力な図式を提案する。 幾何学的プリミティブを抽出する修正インスタンスセグメンテーション法を提案する。 グラフニューラルネットワーク(GNN)を利用して、関係解析と原始分類を実現する。
• 参考スコア（独自算出の注目度）: 29.921409628478152
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Geometry diagram parsing plays a key role in geometry problem solving, wherein the primitive extraction and relation parsing remain challenging due to the complex layout and between-primitive relationship. In this paper, we propose a powerful diagram parser based on deep learning and graph reasoning. Specifically, a modified instance segmentation method is proposed to extract geometric primitives, and the graph neural network (GNN) is leveraged to realize relation parsing and primitive classification incorporating geometric features and prior knowledge. All the modules are integrated into an end-to-end model called PGDPNet to perform all the sub-tasks simultaneously. In addition, we build a new large-scale geometry diagram dataset named PGDP5K with primitive level annotations. Experiments on PGDP5K and an existing dataset IMP-Geometry3K show that our model outperforms state-of-the-art methods in four sub-tasks remarkably. Our code, dataset and appendix material are available at https://github.com/mingliangzhang2018/PGDP.
• Abstract（参考訳）: 幾何学的ダイアグラム解析は幾何学的問題解決において重要な役割を担い、複雑なレイアウトと原始的関係性のために原始的抽出と関係解析は難しいままである。 本稿では,ディープラーニングとグラフ推論に基づく強力な図解析器を提案する。 具体的には、幾何学的プリミティブを抽出する修正インスタンスセグメンテーション法を提案し、幾何学的特徴と事前知識を取り入れた関係解析とプリミティブ分類を実現するためにグラフニューラルネットワーク(GNN)を活用している。 すべてのモジュールはPGDPNetと呼ばれるエンドツーエンドモデルに統合され、すべてのサブタスクを同時に実行する。 さらに、プリミティブレベルのアノテーションを備えたPGDP5Kという、新しい大規模幾何学図データセットを構築した。 PGDP5Kと既存のデータセットIMP-Geometry3Kの実験は、我々のモデルが4つのサブタスクで最先端の手法を著しく上回っていることを示している。 私たちのコード、データセット、appendixの資料はhttps://github.com/mingliangzhang2018/pgdpで閲覧できます。

関連論文リスト

• Open-Vocabulary Octree-Graph for 3D Scene Understanding [54.11828083068082]
  Octree-Graphはオープンな3Dシーン理解のための新しいシーン表現である。 セマンティクスを記憶し、その形状に応じてオブジェクトの占有度を調節するアダプティブ・オクツリー構造を開発する。
  論文  参考訳（メタデータ） (2024-11-25T10:14:10Z)
• Geometric Inductive Biases of Deep Networks: The Role of Data and Architecture [22.225213114532533]
  ニューラルネットワークをトレーニングする場合、入力空間の曲率はそのアーキテクチャによって決定される変換の下で不変である。 平均幾何が低ランクである場合(例えばResNetの場合)、幾何学は入力空間の部分集合にのみ変化する。
  論文  参考訳（メタデータ） (2024-10-15T19:46:09Z)
• 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)
• A Survey of Geometric Graph Neural Networks: Data Structures, Models and Applications [67.33002207179923]
  本稿では、幾何学的GNNに関するデータ構造、モデル、および応用について調査する。 幾何学的メッセージパッシングの観点から既存のモデルの統一的なビューを提供する。 また、方法論開発と実験評価の後の研究を促進するために、アプリケーションと関連するデータセットを要約する。
  論文  参考訳（メタデータ） (2024-03-01T12:13:04Z)
• A Hitchhiker's Guide to Geometric GNNs for 3D Atomic Systems [87.30652640973317]
  原子系の計算モデリングの最近の進歩は、これらを3次元ユークリッド空間のノードとして埋め込まれた原子を含む幾何学的グラフとして表現している。 Geometric Graph Neural Networksは、タンパク質構造予測から分子シミュレーション、物質生成まで、幅広い応用を駆動する機械学習アーキテクチャとして好まれている。 本稿では,3次元原子システムのための幾何学的GNNの分野について,包括的で自己完結した概要を述べる。
  論文  参考訳（メタデータ） (2023-12-12T18:44:19Z)
• PGDP5K: A Diagram Parsing Dataset for Plane Geometry Problems [0.0]
  本稿では,PGDP5Kと命名された大規模図形データセットと新しいアノテーション手法を提案する。 本データセットは,5つの位置関係,22の記号型,6つのテキスト型を含む16の形状からなる5000の図からなる。 PGDP5KとIMP-Geometry3Kデータセットの実験により、最先端のSOTA(State-of-the-art)法は66.07%のF1値しか達成できないことが明らかになった。
  論文  参考訳（メタデータ） (2022-05-20T03:41:41Z)
• Hermitian Symmetric Spaces for Graph Embeddings [0.0]
  C 上の対称行列空間におけるグラフの連続表現を学ぶ。 これらの空間は双曲部分空間とユークリッド部分空間を同時に認めるリッチな幾何学を提供する。 提案するモデルは, apriori のグラフ特徴を見積もることなく, まったく異なる配置に自動的に適応することができる。
  論文  参考訳（メタデータ） (2021-05-11T18:14:52Z)
• Self-supervised Geometric Perception [96.89966337518854]
  自己教師付き幾何知覚(self-supervised geometric perception)は、基底幾何モデルラベルなしで対応マッチングのための特徴記述子を学ぶためのフレームワークである。 また,SGPは,地上トラスラベルを用いて訓練した教師付きオークルよりも同等か優れる最先端性能を達成できることを示す。
  論文  参考訳（メタデータ） (2021-03-04T15:34:43Z)
• Primal-Dual Mesh Convolutional Neural Networks [62.165239866312334]
  本稿では,グラフ・ニューラル・ネットワークの文献からトライアングル・メッシュへ引き起こされた原始双対のフレームワークを提案する。 提案手法は,3次元メッシュのエッジと顔の両方を入力として特徴付け,動的に集約する。 メッシュ単純化の文献から得られたツールを用いて、我々のアプローチに関する理論的知見を提供する。
  論文  参考訳（メタデータ） (2020-10-23T14:49:02Z)
• Graph Geometry Interaction Learning [41.10468385822182]
  本研究では,グラフにおける豊富な幾何学的特性を学習するための,グラフの幾何学的相互作用学習(GIL)手法を開発した。 提案手法は,各ノードに,フレキシブルな二重特徴量相互作用学習と確率組立機構を通じて,各幾何学空間の重要性を決定する自由を与える。 ノード分類とリンク予測タスクに関する5つのベンチマークデータセットについて,実験結果を示す。
  論文  参考訳（メタデータ） (2020-10-23T02:40:28Z)
• Geometrically Principled Connections in Graph Neural Networks [66.51286736506658]
  我々は、幾何学的深層学習の新興分野におけるイノベーションの原動力は、幾何が依然として主要な推進力であるべきだと論じている。 グラフニューラルネットワークとコンピュータグラフィックスとデータ近似モデルとの関係:放射基底関数(RBF) 完全連結層とグラフ畳み込み演算子を組み合わせた新しいビルディングブロックであるアフィンスキップ接続を導入する。
  論文  参考訳（メタデータ） (2020-04-06T13:25:46Z)

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。