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
- 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) - Simplicial Representation Learning with Neural $k$-forms [16.371345069399815]
本稿では,ノード座標を用いて,$mathbbRn$に埋め込まれた単体錯体から得られる幾何学的情報を活用することに焦点を当てる。
我々は mathbbRn の微分 k-形式を用いて単純化の表現を作成し、メッセージパッシングなしに解釈可能性と幾何学的整合性を提供する。
本手法は, グラフ, simplicial Complex, セルコンプレックスなど, 様々な入力コンプレックスに適用可能である。
論文 参考訳(メタデータ) (2023-12-13T21:03:39Z) - 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) - Learning Spatial Context with Graph Neural Network for Multi-Person Pose
Grouping [71.59494156155309]
イメージベース多人数ポーズ推定のためのボトムアップ手法は,キーポイント検出とグループ化の2段階からなる。
本研究では,グラフ分割問題としてグループ化タスクを定式化し,グラフニューラルネットワーク(gnn)を用いて親和性行列を学習する。
学習された幾何学に基づく親和性は、強固なキーポイント結合を達成するために外観に基づく親和性とさらに融合する。
論文 参考訳(メタデータ) (2021-04-06T09:21:14Z) - 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) - Representing Deep Neural Networks Latent Space Geometries with Graphs [38.63434325489782]
ディープラーニング(DL)は多くの機械学習タスクで最先端のパフォーマンスに到達する能力に多くの注目を集めている。
本研究は, 様々な問題に対処するために, これらの潜在測地に関する制約を導入することが可能であることを示す。
論文 参考訳(メタデータ) (2020-11-14T17:21:29Z) - 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。