論文の概要: GraphWalks: Efficient Shape Agnostic Geodesic Shortest Path Estimation

• arxiv url: http://arxiv.org/abs/2205.15217v1
• Date: Mon, 30 May 2022 16:22:53 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-31 19:20:18.042721
• Title: GraphWalks: Efficient Shape Agnostic Geodesic Shortest Path Estimation
• Title（参考訳）: graphwalks: 効率的な形状非依存な測地的最短経路推定
• Authors: Rolandos Alexandros Potamias and Alexandros Neofytou and Kyriaki-Margarita Bintsi and Stefanos Zafeiriou
• Abstract要約: 3次元曲面上の測地線経路を近似する学習可能なネットワークを提案する。 提案手法は,最短経路の効率的な近似と測地距離推定を提供する。
• 参考スコア（独自算出の注目度）: 93.60478281489243
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Geodesic paths and distances are among the most popular intrinsic properties of 3D surfaces. Traditionally, geodesic paths on discrete polygon surfaces were computed using shortest path algorithms, such as Dijkstra. However, such algorithms have two major limitations. They are non-differentiable which limits their direct usage in learnable pipelines and they are considerably time demanding. To address such limitations and alleviate the computational burden, we propose a learnable network to approximate geodesic paths. The proposed method is comprised by three major components: a graph neural network that encodes node positions in a high dimensional space, a path embedding that describes previously visited nodes and a point classifier that selects the next point in the path. The proposed method provides efficient approximations of the shortest paths and geodesic distances estimations. Given that all of the components of our method are fully differentiable, it can be directly plugged into any learnable pipeline as well as customized under any differentiable constraint. We extensively evaluate the proposed method with several qualitative and quantitative experiments.
• Abstract（参考訳）: 測地線経路と距離は3次元曲面の固有特性として最も一般的なものである。 伝統的に、離散多角形表面上の測地パスは、Dijkstraのような最短経路アルゴリズムを用いて計算された。 しかし、このアルゴリズムには2つの大きな制限がある。 それらは、学習可能なパイプラインで直接の使用を制限する非微分可能であり、かなりの時間を要する。 このような制約に対処し,計算負荷を軽減するため,測地路を近似する学習ネットワークを提案する。 提案手法は,高次元空間内のノード位置を符号化するグラフニューラルネットワーク,先行したノードを記述したパス埋め込み,パス内の次のポイントを選択するポイント分類器の3つの主要コンポーネントから構成される。 提案手法は最短経路の効率的な近似と測地距離推定を提供する。 私たちのメソッドのすべてのコンポーネントが完全に微分可能であることを考慮すれば、任意の学習可能なパイプラインに直接接続することも、任意の微分可能な制約の下でカスタマイズすることも可能です。 提案手法を定性的,定量的に評価した。

関連論文リスト

• DataSP: A Differential All-to-All Shortest Path Algorithm for Learning Costs and Predicting Paths with Context [4.202961704179733]
  本稿では,トラジェクトリからの遅延コストの学習を容易にするために,DataSPを提案する。 コンテキスト特徴からの複雑な遅延コスト関数は、ニューラルネットワーク近似を通じてアルゴリズムで表現することができる。 データSPは,グラフ上での経路予測において,最先端の機械学習手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2024-05-08T09:45:54Z)
• Learning the Geodesic Embedding with Graph Neural Networks [22.49236293942187]
  離散多面体表面上の2つの任意の点間の近似測地距離を計算するための学習ベース手法であるGeGnnを提案する。 私たちのキーとなるアイデアは、グラフニューラルネットワークをトレーニングして、入力メッシュを高次元の埋め込み空間に埋め込むことです。 本研究では,ShapeNetにおける提案手法の有効性と有効性を検証するとともに,既存の手法よりも桁違いに高速であることを示す。
  論文  参考訳（メタデータ） (2023-09-11T16:54:34Z)
• NeuroGF: A Neural Representation for Fast Geodesic Distance and Path Queries [77.04220651098723]
  本稿では,ニューラル暗黙関数を用いた3次元メッシュモデル上での測地線表現の試みについて述べる。 具体的には、与えられたメッシュの全対測地線を表現するために学習されたニューロ測地場(NeuroGF)を紹介する。 NeuroGFは、単一ソースのオールデスティネーション(SSAD)とポイント・ツー・ポイントの測地学を解く上で、非常に優れた性能を示す。
  論文  参考訳（メタデータ） (2023-06-01T13:32:21Z)
• Linearized Wasserstein dimensionality reduction with approximation guarantees [65.16758672591365]
  LOT Wassmap は、ワーッサーシュタイン空間の低次元構造を明らかにするための計算可能なアルゴリズムである。 我々は,LOT Wassmapが正しい埋め込みを実現し,サンプルサイズの増加とともに品質が向上することを示す。 また、LOT Wassmapがペア距離計算に依存するアルゴリズムと比較して計算コストを大幅に削減することを示す。
  論文  参考訳（メタデータ） (2023-02-14T22:12:16Z)
• Shortest Paths in Graphs with Matrix-Valued Edges: Concepts, Algorithm and Application to 3D Multi-Shape Analysis [69.08838724594584]
  グラフ内の最短経路を見つけることは、コンピュータビジョンやグラフィックスにおける多くの問題に関係している。 本稿では,行列値のエッジを持つグラフにおいて,最短経路のグラフ理論を新たに導入する。
  論文  参考訳（メタデータ） (2021-12-08T08:23:37Z)
• Fast and Scalable Optimal Transport for Brain Tractograms [4.610968512889579]
  線形メモリフットプリント上での正規化最適輸送問題を解くための新しいマルチスケールアルゴリズムを提案する。 本手法は, ファイバー束やトラック密度マップとしてモデル化された脳幹図に対して有効性を示す。
  論文  参考訳（メタデータ） (2021-07-05T13:28:41Z)
• PointFlow: Flowing Semantics Through Points for Aerial Image Segmentation [96.76882806139251]
  本論文では,FPN(Feature Pyramid Network)フレームワークに基づく点親和性伝播モジュールであるPointFlowを提案する。 密接な親和性学習ではなく、隣接する特徴間の選択された点にスパース親和性マップを生成する。 3つの異なる空中セグメンテーションデータセットの実験結果から,提案手法は最先端の汎用セグメンテーション法よりも効率的かつ効率的であることが示唆された。
  論文  参考訳（メタデータ） (2021-03-11T09:42:32Z)
• Learning High Dimensional Wasserstein Geodesics [55.086626708837635]
  高次元の2つの確率分布の間のワッサーシュタイン測地線を計算するための新しい定式化と学習戦略を提案する。 ラグランジュ乗算器の手法を最適輸送(OT)問題の動的定式化に適用することにより、サドル点がワッサーシュタイン測地線であるミニマックス問題を導出する。 次に、深層ニューラルネットワークによる関数のパラメータ化を行い、トレーニングのためのサンプルベースの双方向学習アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2021-02-05T04:25:28Z)
• Shortest path distance approximation using deep learning techniques [0.43461794560295636]
  埋め込みを施したフィードフォワードニューラルネットワークは、比較的低い歪み誤差で距離を近似できることを示す。 提案手法は,Facebook,BlogCatalog,Youtube,Flickrのソーシャルネットワーク上で評価される。
  論文  参考訳（メタデータ） (2020-02-12T21:59:25Z)

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。