論文の概要: Hypergraph Convolutional Networks for Weakly-Supervised Semantic Segmentation

• arxiv url: http://arxiv.org/abs/2210.05564v1
• Date: Tue, 11 Oct 2022 15:59:10 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-12 16:29:20.304788
• Title: Hypergraph Convolutional Networks for Weakly-Supervised Semantic Segmentation
• Title（参考訳）: 弱教師付きセマンティックセグメンテーションのためのハイパーグラフ畳み込みネットワーク
• Authors: Jhony H. Giraldo, Vincenzo Scarrica, Antonino Staiano, Francesco Camastra, Thierry Bouwmans
• Abstract要約: Weakly-supervised Semantic Networks (HyperGCN-WSS) のための HyperGraph Convolutional Networks を用いた新しいアルゴリズムを提案する。 提案アルゴリズムは,データセット内の画像からk-Nearest Neighborグラフとk-Nearest Neighborグラフを構築し,ハイパーグラフを生成する。 HyperGCNの出力はデノミネーションされた擬似ラベルで、後にセマンティックセグメンテーションのためのDeepLabモデルをトレーニングするために使用される。
• 参考スコア（独自算出の注目度）: 1.7849339006560665
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Semantic segmentation is a fundamental topic in computer vision. Several deep learning methods have been proposed for semantic segmentation with outstanding results. However, these models require a lot of densely annotated images. To address this problem, we propose a new algorithm that uses HyperGraph Convolutional Networks for Weakly-supervised Semantic Segmentation (HyperGCN-WSS). Our algorithm constructs spatial and k-Nearest Neighbor (k-NN) graphs from the images in the dataset to generate the hypergraphs. Then, we train a specialized HyperGraph Convolutional Network (HyperGCN) architecture using some weak signals. The outputs of the HyperGCN are denominated pseudo-labels, which are later used to train a DeepLab model for semantic segmentation. HyperGCN-WSS is evaluated on the PASCAL VOC 2012 dataset for semantic segmentation, using scribbles or clicks as weak signals. Our algorithm shows competitive performance against previous methods.
• Abstract（参考訳）: セマンティックセグメンテーションはコンピュータビジョンの基本的なトピックである。 セマンティックセグメンテーションにはいくつかの深層学習手法が提案されている。 しかし、これらのモデルは大量の注釈付き画像を必要とする。 この問題に対処するために,Weakly-supervised Semantic Segmentation (HyperGCN-WSS) にHyperGraph Convolutional Networksを用いた新しいアルゴリズムを提案する。 本アルゴリズムは,データセット内の画像からk-nearest neighbor (k-nn)グラフを作成し,ハイパーグラフを生成する。 そこで我々は,いくつかの弱い信号を用いて,HyperGCN(HyperGraph Convolutional Network)アーキテクチャを訓練する。 hypergcnの出力は擬似ラベルであり、後に意味セグメンテーションのためのdeeplabモデルを訓練するために使用される。 HyperGCN-WSSは、セマンティックセグメンテーションのためのPASCAL VOC 2012データセット上で、スクリブルやクリックを弱い信号として評価する。 本アルゴリズムは,従来の手法と競合する性能を示す。

関連論文リスト

• Convolutional Signal Propagation: A Simple Scalable Algorithm for Hypergraphs [0.13654846342364302]
  本稿では,両部グラフ(ハイパーグラフ)で動作する非パラメトリック単純かつスケーラブルな方法である畳み込み信号伝搬(CSP)を提案する。 計算複雑性を低く保ちながら,CSPが競争性能を提供することを示す。 ハイパーグラフの操作にもかかわらず、CSPは自然言語処理のようなハイパーグラフに関連のないタスクで良い結果を得る。
  論文  参考訳（メタデータ） (2024-09-26T08:22:09Z)
• Hyperedge Modeling in Hypergraph Neural Networks by using Densest Overlapping Subgraphs [0.0]
  グラフクラスタリングにおける最も重要な問題の1つは、最も重なり合う部分グラフ(DOS)を見つけることである。 本稿では,最も重なり合う部分グラフを生成するプロセスを改善するための新しいアプローチとして,アグロメラティシオン (DOSAGE) アルゴリズムを用いたDOS問題の解を提案する。 標準ベンチマークの実験では、DOSAGEアルゴリズムはノード分類タスクにおいて、HGNNや他の6つのメソッドよりも大幅に優れていた。
  論文  参考訳（メタデータ） (2024-09-16T14:56:10Z)
• UniG-Encoder: A Universal Feature Encoder for Graph and Hypergraph Node Classification [6.977634174845066]
  グラフおよびハイパーグラフ表現学習のための普遍的特徴エンコーダ(UniG-Encoder)が設計されている。 アーキテクチャは、連結ノードのトポロジ的関係をエッジやハイパーエッジに前方変換することから始まる。 符号化されたノードの埋め込みは、投影行列の変換によって記述された逆変換から導かれる。
  論文  参考訳（メタデータ） (2023-08-03T09:32:50Z)
• From Hypergraph Energy Functions to Hypergraph Neural Networks [94.88564151540459]
  パラメータ化されたハイパーグラフ正規化エネルギー関数の表現型族を示す。 次に、これらのエネルギーの最小化がノード埋め込みとして効果的に機能することを実証する。 提案した双レベルハイパーグラフ最適化と既存のGNNアーキテクチャを共通的に用いている。
  論文  参考訳（メタデータ） (2023-06-16T04:40:59Z)
• Learning Hierarchical Graph Neural Networks for Image Clustering [81.5841862489509]
  本稿では,画像の集合を未知の個数にクラスタリングする方法を学ぶ階層型グラフニューラルネットワーク(GNN)モデルを提案する。 我々の階層的なGNNは、階層の各レベルで予測される連結コンポーネントをマージして、次のレベルで新しいグラフを形成するために、新しいアプローチを用いています。
  論文  参考訳（メタデータ） (2021-07-03T01:28:42Z)
• Learning the Implicit Semantic Representation on Graph-Structured Data [57.670106959061634]
  グラフ畳み込みネットワークにおける既存の表現学習手法は主に、各ノードの近傍を知覚全体として記述することで設計される。 本稿では,グラフの潜在意味パスを学習することで暗黙的な意味を探索する意味グラフ畳み込みネットワーク(sgcn)を提案する。
  論文  参考訳（メタデータ） (2021-01-16T16:18:43Z)
• Group-Wise Semantic Mining for Weakly Supervised Semantic Segmentation [49.90178055521207]
  この研究は、画像レベルのアノテーションとピクセルレベルのセグメンテーションのギャップを埋めることを目標に、弱い監督されたセマンティックセグメンテーション(WSSS)に対処する。 画像群における意味的依存関係を明示的にモデル化し,より信頼性の高い擬似的基盤構造を推定する,新たなグループ学習タスクとしてWSSSを定式化する。 特に、入力画像がグラフノードとして表現されるグループ単位のセマンティックマイニングのためのグラフニューラルネットワーク(GNN)を考案する。
  論文  参考訳（メタデータ） (2020-12-09T12:40:13Z)
• Sequential Graph Convolutional Network for Active Learning [53.99104862192055]
  逐次グラフ畳み込みネットワーク(GCN)を用いた新しいプールベースアクティブラーニングフレームワークを提案する。 少数のランダムなサンプル画像がシードラベル付き例であるので、グラフのパラメータを学習してラベル付きノードと非ラベル付きノードを区別する。 我々はGCNの特性を利用してラベル付けされたものと十分に異なる未ラベルの例を選択する。
  論文  参考訳（メタデータ） (2020-06-18T00:55:10Z)
• CRNet: Cross-Reference Networks for Few-Shot Segmentation [59.85183776573642]
  少ないショットセグメンテーションは、少数のトレーニングイメージを持つ新しいクラスに一般化できるセグメンテーションモデルを学ぶことを目的としている。 相互参照機構により、我々のネットワークは2つの画像に共起する物体をよりよく見つけることができる。 PASCAL VOC 2012データセットの実験は、我々のネットワークが最先端のパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2020-03-24T04:55:43Z)
• Graph-FCN for image semantic segmentation [9.040293432309856]
  画像セマンティックセグメンテーションのための完全畳み込みネットワーク(FCN)であるGraph-FCNを提案する。 まず、画像グリッドデータを畳み込みネットワークによりグラフ構造データに拡張し、セマンティックセグメンテーション問題をグラフノード分類問題に変換する。 私たちが知る限り、画像意味のセグメンテーションにグラフ畳み込みネットワークを適用するのは、これが初めてです。
  論文  参考訳（メタデータ） (2020-01-02T06:05:29Z)

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。